HumanEval 排行榜
评估代码生成能力的基准测试。
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
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。
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
SimpleQA
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。
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。
MLPerf Inference
机器学习推理性能的行业标准基准。
OpenCompass (司南)
国内领先的开源大模型评测体系。
暂无评论...