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。
机器学习推理性能的行业标准基准。
数据统计
相关导航
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
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。
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。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
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。
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。
暂无评论...