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。
大规模多任务语言理解基准测试，衡量多学科问题性能。
数据统计
相关导航
Chatbot Arena
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。
LiveBench
2025 最新！防污染的动态评测平台，每月更新题库，覆盖数学、编程、推理等 6 大类 960 题。
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
暂无评论...