SuperGLUE
更具挑战性的通用语言理解评估基准。
中文通用大模型综合性测评基准，2025 年 3 月版包含 1509 道原创新题，每 2 个月 100% 替换题库。
数据统计
相关导航
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。
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。
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。
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。
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。
AIME 2025
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。
暂无评论...