C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
每日更新的 AI 模型综合排行榜，对比 LLM/TTS/STT/视频/图像/嵌入模型的性能、价格和上下文窗口。
数据统计
相关导航
HumanEval 排行榜
评估代码生成能力的基准测试。
SuperGLUE
更具挑战性的通用语言理解评估基准。
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。
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。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
暂无评论...