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
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。
Arena
基于真实用户对战投票的AI模型排行榜
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。
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。
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。
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。
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。
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
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。
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
MLPerf Inference
机器学习推理性能的行业标准基准。
HumanEval 排行榜
评估代码生成能力的基准测试。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
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。