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。
评估代码生成能力的基准测试。
数据统计
相关导航
Arena
基于真实用户对战投票的AI模型排行榜
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。
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。
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。
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。
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。
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。
暂无评论...