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。
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
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。
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
Arena
基于真实用户对战投票的AI模型排行榜
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。
MLPerf Inference
机器学习推理性能的行业标准基准。
暂无评论...