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。
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
Artificial Analysis
对比 100+ AI 模型的智能、价格、性能、速度和上下文窗口等关键指标。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
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。
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。
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。
MLPerf Inference
机器学习推理性能的行业标准基准。
暂无评论...