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。
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
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
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。
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。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
SuperGLUE
更具挑战性的通用语言理解评估基准。
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...