Terminal-Bench 的替代品

评测 AI 智能体在真实终端环境中完成软件工程和命令行任务的基准。。以下是 12 个模型评测领域的同类工具，可作为 Terminal-Bench 的替代选择。

• LMArena — AI 模型匿名对战评测平台，用户盲评投票生成大模型竞技场排行榜（官网）
• OpenCompass — 上海人工智能实验室推出的大模型开源开放评测体系（司南）（官网）
• SuperCLUE — 中文通用大模型综合性测评基准（官网）
• C-Eval — 全面的中文基础模型多学科评估套件（官网）
• CMMLU — 综合性的中文大模型多任务语言理解评测基准（官网）
• FlagEval — 智源研究院推出的大模型评测平台（天秤）（官网）
• AGI-Eval — AGI-Eval 大模型评测社区（官网）
• MMLU — 大规模多任务语言理解基准，覆盖 57 个学科（官网）
• Open LLM Leaderboard — Hugging Face 推出的开源大模型评测排行榜（官网）
• HELM — 斯坦福大学推出的语言模型整体评估框架（官网）
• MMBench — 全方位的多模态大模型评测基准（官网）
• MagicArena — 字节跳动推出的视觉生成模型竞技场（官网）

更多模型评测工具