C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
数据统计
相关导航
FRAMES
Google 推出的 RAG 系统评测基准，824 道多跳问题，测试检索准确性和推理能力。
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。
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。
HumanEval 排行榜
评估代码生成能力的基准测试。
OpenCompass (司南)
国内领先的开源大模型评测体系。
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。
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。
暂无评论...