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。
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
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
Arena
基于真实用户对战投票的AI模型排行榜
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
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。
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。
暂无评论...