C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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
Open LLM Leaderboard
Hugging Face 开放大语言模型排行榜，追踪评估领先开源模型。
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。
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。
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。
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。
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。
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。
暂无评论...