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。
Hugging Face 开放大语言模型排行榜，追踪评估领先开源模型。
数据统计
相关导航
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
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。
暂无评论...