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
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
MMBench
由OpenCompass社区开发的多模态基准测试工具
CMMLU
一个专门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
MMLU
一个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
AI Ping
一款集大模型评测、统一API调用与智能路由于一体的开发者级AI聚合平台。
Chatbot Arena
是一个基于人类偏好评估AI聊天机器人性能的开放平台
PubMedQA
一个用于生物医学研究问题回答的数据集
Helm Lite
斯坦福大学CRFM团队开发的一个轻量级语言模型评估基准
Open LLM Leaderboard
一个由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
一个由上海交通大学、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
H2O Eval Studio
由H2O.ai开发的一款企业级AI模型评估平台