MLPerf Inference
机器学习推理性能的行业标准基准。
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
HumanEval 排行榜
评估代码生成能力的基准测试。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
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。
LiveBench
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。
MMLU 排行榜
大规模多任务语言理解基准测试，衡量多学科问题性能。
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。
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。
暂无评论...