C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
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。
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。
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。
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。
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。
暂无评论...