C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
专注代码编辑能力的 LLM 排行榜，评估模型在实际编程任务中的表现。
数据统计
相关导航
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
LLM-Stats
每日更新的 AI 模型综合排行榜，对比 LLM/TTS/STT/视频/图像/嵌入模型的性能、价格和上下文窗口。
OpenCompass (司南)
国内领先的开源大模型评测体系。
FRAMES
Google 推出的 RAG 系统评测基准，824 道多跳问题，测试检索准确性和推理能力。
Stanford HELM
斯坦福大语言模型整体评估框架，多场景多指标全面评估。
Chatbot Arena
基于人类偏好的匿名聊天机器人对战和排行榜，采用 Elo 评分系统。
LiveSWEBench
实时软件工程基准测试，评估 AI 在真实代码库中解决问题的能力。
暂无评论...