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。
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
Chatbot Arena
基于人类偏好的匿名聊天机器人对战和排行榜，采用 Elo 评分系统。
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。
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。
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。
HumanEval 排行榜
评估代码生成能力的基准测试。
暂无评论...