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
MLPerf Inference
机器学习推理性能的行业标准基准。
SuperGLUE
更具挑战性的通用语言理解评估基准。
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。
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。
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
Arena
基于真实用户对战投票的AI模型排行榜
暂无评论...