SimpleQA
OpenAI 发布的事实性评测基准，4326 道简短问答题，顶级模型得分仅 40%+，挑战性极高。
更具挑战性的通用语言理解评估基准。
数据统计
相关导航
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
MLPerf Inference
机器学习推理性能的行业标准基准。
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。
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。
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。
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
暂无评论...