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。
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
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。
HumanEval 排行榜
评估代码生成能力的基准测试。
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。
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
暂无评论...