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。
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。
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。
LLM-Stats
每日更新的 AI 模型综合排行榜，对比 LLM/TTS/STT/视频/图像/嵌入模型的性能、价格和上下文窗口。
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。
HumanEval 排行榜
评估代码生成能力的基准测试。
SuperGLUE
更具挑战性的通用语言理解评估基准。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
Arena
基于真实用户对战投票的AI模型排行榜
暂无评论...