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。
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
HumanEval 排行榜
评估代码生成能力的基准测试。
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。
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。
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。
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。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
暂无评论...