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
C-Eval
全面的中文基础模型评估套件，专注中文能力评估。
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。
Aider Leaderboard
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。
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。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
SEAL Leaderboard
Scale AI 的专家驱动评测平台，专注编程和推理能力排名。
暂无评论...