HumanEval 排行榜
评估代码生成能力的基准测试。
斯坦福大语言模型整体评估框架，多场景多指标全面评估。
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
MLPerf Inference
机器学习推理性能的行业标准基准。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
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。
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。
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。
暂无评论...