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。
基于真实用户对战投票的AI模型排行榜
数据统计
相关导航
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。
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。
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。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
MLPerf Inference
机器学习推理性能的行业标准基准。
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。
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...