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。
机器学习推理性能的行业标准基准。
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。
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。
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。
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。
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。
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。
暂无评论...