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。
评估指令遵循模型能力的自动化评估排行榜。
数据统计
相关导航
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。
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。
AIME 2025
2025 美国数学竞赛邀请赛，专门测试大模型的高级数学推理能力。
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。
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。
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。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
暂无评论...