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。
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。
数据统计
相关导航
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
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。
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。
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。
HumanEval 排行榜
评估代码生成能力的基准测试。
OpenCompass (司南)
国内领先的开源大模型评测体系。
SuperCLUE
中文通用大模型综合性测评基准，2025 年 3 月版包含 1509 道原创新题，每 2 个月 100% 替换题库。
暂无评论...