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。
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。
数据统计
相关导航
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。
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。
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。
Arena
基于真实用户对战投票的AI模型排行榜
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
OpenCompass (司南)
国内领先的开源大模型评测体系。
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。
暂无评论...