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。
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。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
暂无评论...