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。
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
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。
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。
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。
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。
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。
SuperGLUE
更具挑战性的通用语言理解评估基准。
暂无评论...