SuperGLUE
更具挑战性的通用语言理解评估基准。
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
Vellum Leaderboard
显示 2024 年 4 月后最新 SOTA 模型的公开基准性能，包含独立评测数据。
MMLU 排行榜
大规模多任务语言理解基准测试，衡量多学科问题性能。
MLPerf Inference
机器学习推理性能的行业标准基准。
SuperCLUE
中文通用大模型综合性测评基准，2025 年 3 月版包含 1509 道原创新题，每 2 个月 100% 替换题库。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
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。
暂无评论...