MLPerf Inference
机器学习推理性能的行业标准基准。
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
HumanEval 排行榜
评估代码生成能力的基准测试。
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。
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。
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。
OpenCompass (司南)
国内领先的开源大模型评测体系。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
LiveBench
2025 最新！防污染的动态评测平台，每月更新题库，覆盖数学、编程、推理等 6 大类 960 题。
暂无评论...