HumanEval 排行榜
评估代码生成能力的基准测试。
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
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
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。
Open LLM Leaderboard
Hugging Face 开放大语言模型排行榜，追踪评估领先开源模型。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
暂无评论...