FlagEval
学术圈公认的模型擂台，FlagEval一站式搞定AI模型的多语言盲测与可信认证
排序
SuperCLUE
中文通用大模型综合性测评基准
AGI-Eval
一个AI大模型评测社区
FlagEval
北京智源人工智能研究院推出的大模型评测体系及开放平台
MMLU
用于评估语言模型在多任务、多领域知识推理和理解能力的基准测试工具
Open LLM Leaderboard
Hugging Face提供的开源大语言模型（LLMs）和聊天机器人性能评测平台
C-Eval
上海交通大学、清华大学和爱丁堡大学联合推出的中文基础模型评估套件
CMMLU
专为评估语言模型在中文语境下的知识和推理能力而设计的综合性评估基准
Helm Lite
斯坦福大学CRFM团队开发的轻量级语言模型评估基准
MMBench
OpenCompass社区开发的多模态基准测试工具
Chatbot Arena
基于人类偏好评估AI聊天机器人性能的开放平台
PubMedQA
用于生物医学研究问题回答的数据集
H2O Eval Studio
H2O.ai开发的一款企业级AI模型评估平台
AI Ping
大模型服务性能评测与统一 API 调用平台