HumanEval 排行榜
评估代码生成能力的基准测试。
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。
数据统计
相关导航
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。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
OpenCompass (司南)
国内领先的开源大模型评测体系。
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。
MLPerf Inference
机器学习推理性能的行业标准基准。
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。
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。
暂无评论...