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。
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
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
HumanEval 排行榜
评估代码生成能力的基准测试。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
SuperGLUE
更具挑战性的通用语言理解评估基准。
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。
暂无评论...