Chatbot Arena
基于人类偏好的匿名聊天机器人对战和排行榜，采用 Elo 评分系统。
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
数据统计
相关导航
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。
AIME 2025
2025 美国数学竞赛邀请赛，专门测试大模型的高级数学推理能力。
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。
MLPerf Inference
机器学习推理性能的行业标准基准。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
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。
暂无评论...