AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
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。
数据统计
相关导航
SuperGLUE
更具挑战性的通用语言理解评估基准。
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。
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
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。
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...