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。
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。
数据统计
相关导航
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
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。
Arena
基于真实用户对战投票的AI模型排行榜
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。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
暂无评论...