Aider Leaderboard
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。
排序
Arena
基于真实用户对战投票的AI模型排行榜
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。
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。
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。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
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。
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。
Artificial Analysis
对比 100+ AI 模型的智能、价格、性能、速度和上下文窗口等关键指标。
AIME 2025
2025 美国数学竞赛邀请赛，专门测试大模型的高级数学推理能力。
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。
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。
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。