ptcx

SimpleQA

OpenAI 发布的事实性评测基准，4326 道简短问答题，顶级模型得分仅 40%+，挑战性极高。

LiveBench

2025 最新！防污染的动态评测平台，每月更新题库，覆盖数学、编程、推理等 6 大类 960 题。

HumanEval 排行榜

评估代码生成能力的基准测试。

C-Eval

全面的中文基础模型评估套件，专注中文能力评估。

OpenCompass (司南)

国内领先的开源大模型评测体系。

MLPerf Inference

机器学习推理性能的行业标准基准。

AlpacaEval

评估指令遵循模型能力的自动化评估排行榜。

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。

SuperGLUE

更具挑战性的通用语言理解评估基准。

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。

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。

Open LLM Leaderboard

Hugging Face 开放大语言模型排行榜，追踪评估领先开源模型。