HumanEval 排行榜
评估代码生成能力的基准测试。
更具挑战性的通用语言理解评估基准。
数据统计
相关导航
OpenCompass (司南)
国内领先的开源大模型评测体系。
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。
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。
MLPerf Inference
机器学习推理性能的行业标准基准。
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。
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。
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。
暂无评论...