Stanford HELM
斯坦福大语言模型整体评估框架，多场景多指标全面评估。
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
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
HumanEval 排行榜
评估代码生成能力的基准测试。
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。
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。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
暂无评论...