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。
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。
数据统计
相关导航
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。
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。
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。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
SuperGLUE
更具挑战性的通用语言理解评估基准。
OpenCompass (司南)
国内领先的开源大模型评测体系。
LLM-Stats
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。
暂无评论...