HumanEval 排行榜
评估代码生成能力的基准测试。
机器学习推理性能的行业标准基准。
数据统计
相关导航
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
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。
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。
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。
暂无评论...