模型评测

大模型评测基准与排行榜（共收录 53 个工具）

• AgentReady — AgentReady 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• AGI-Eval — AGI-Eval 大模型评测社区（官网）
• AI Coding Compare — AI Coding Compare 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• Aider Polyglot Benchmark — Aider 的多语言代码编辑基准，用真实编程题比较模型修改代码和通过测试的能力。（官网）
• Algomax — Algomax 是一款面向模型评测场景的 AI 工具，适合评估模型质量、性能、安全性与输出效果。（官网）
• ARC-AGI Leaderboard — ARC Prize 的抽象推理排行榜，用新颖视觉任务衡量模型的泛化与组合推理能力。（官网）
• Arize — Arize 是一款面向模型评测场景的 AI 工具，适合评估模型质量、性能、安全性与输出效果。（官网）
• Artificial Analysis — 独立大模型评测机构，性能、价格、速度全维度对比（官网）
• Basemark — Basemark 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• Benchmarkemail — 智能内容是由Benchmark email提供的人工智能电子邮件文案工具。（官网）
• Berkeley Function-Calling Leaderboard — 伯克利函数调用排行榜，评测模型选择工具、生成参数和处理复杂 API 的准确性。（官网）
• C-Eval — 全面的中文基础模型多学科评估套件（官网）
• Censius — Censius 是一款面向模型评测场景的 AI 工具，适合评估模型质量、性能、安全性与输出效果。（官网）
• Chatbot Arena Search — 面向搜索任务的模型竞技场，通过匿名用户偏好比较不同 AI 搜索系统。（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）
• Confident — Confident 是一款面向模型评测场景的 AI 工具，适合评估模型质量、性能、安全性与输出效果。（官网）
• Epoch AI — AI 发展趋势与算力研究机构，数据可视化丰富（官网）
• Fiddler — Fiddler 是一款面向模型评测场景的 AI 工具，适合评估模型质量、性能、安全性与输出效果。（官网）
• FlagEval — 智源研究院推出的大模型评测平台（天秤）（官网）
• GAIA Leaderboard — GAIA 通用智能体基准排行榜，测试模型结合推理、网页浏览和工具使用解决问题。（官网）
• H2O EvalGPT — H2O.ai 推出的基于 Elo 评分的大模型评测工具（官网）
• HELM — 斯坦福大学推出的语言模型整体评估框架（官网）
• Honeyhive — Honeyhive 是一款面向模型评测场景的 AI 工具，适合评估模型质量、性能、安全性与输出效果。（官网）
• Humanity’s Last Exam — 由专家编写的高难度跨学科基准，用于测试前沿模型在专业知识与推理上的极限。（官网）
• LatticeFlow AI — 瑞士 AI 模型评测平台，用于合规评估与模型风险排查。（官网）
• LiveBench — 无污染的大模型基准测试，题目持续更新（官网）
• LLM Sandbox By Dioptra — LLM Sandbox By Dioptra 是一款面向模型评测场景的 AI 工具，适合评估模型质量、性能、安全性与输出效果。（官网）
• LLM Stats — LLM Stats 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• LLMEval3 — 复旦大学 NLP 实验室推出的大模型评测基准（官网）
• 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）
• LogicMonitor — LogicMonitor 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• MagicArena — 字节跳动推出的视觉生成模型竞技场（官网）
• Manifest — Manifest 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• MMBench — 全方位的多模态大模型评测基准（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）
• 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）
• Opik — Opik 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• Phoenix — Phoenix 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• PubMedQA — 生物医学研究问答评测数据集（官网）
• SEAL LLM Leaderboard — SEAL LLM Leaderboard 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• Stanford AI Index — 斯坦福年度人工智能发展报告，系统追踪研究、产业、政策、教育和社会影响指标。（官网）
• SuperCLUE — 中文通用大模型综合性测评基准（官网）
• SWE-bench — AI 编程能力权威基准，真实 GitHub issue 修复测试（官网）
• TensorZero — TensorZero 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• Terminal-Bench — 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。（官网）
• TraceRoot AI — TraceRoot AI 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• Vellum LLM Leaderboard — 持续汇总主流模型在质量、速度、上下文和价格等维度的对比数据。（官网）
• ViralMoment — ViralMoment 是一款模型评测方向的 AI 工具，适合大模型评测基准与排行榜。（官网）
• Whylabs AI Observatory — Whylabs AI Observatory 是一款面向模型评测场景的 AI 工具，适合评估模型质量、性能、安全性与输出效果。（官网）
• τ-bench — 评测工具型语言智能体在零售、航空等真实业务交互中完成任务的能力。（官网）
• 爱心理 — 一个创新的人工智能心理学评测服务平台，通过全面评估和精准筛查，为学校和企业提供了科学管理心理健康和人才的有效工具（官网）
• 采风问卷 — 采风问卷是一款全新体验的调查问卷，表单，评测等调研平台，有趣的交互方式，漂亮的作品，让客户更乐意回答，提升调研的回复率。（官网）