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。
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
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
Arena
基于真实用户对战投票的AI模型排行榜
MLPerf Inference
机器学习推理性能的行业标准基准。
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
HumanEval 排行榜
评估代码生成能力的基准测试。
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。
暂无评论...