AI模型测评

探索豆包大模型，具备 164000 亿日均 tokens 使用量，拥有超全模态支持。涵盖大语言模型、视频生成模型、视觉语言模型等多种类型，适配丰富应用场景，价格低且更易落地。

PubMedQA 是用于生物医学研究问答的数据集平台，拥有丰富的问答实例，提供模型排行榜，助力生物医学领域自然语言处理研究与模型评估。

H2O Eval Studio 是一款用于 GenAI 模型评估的平台，具备集成式执行仪表盘、模型与排行榜对比、可配置评估器等功能，能有效提升模型可靠性与准确性。

Chatbot Arena（原 LMSYS）是一个免费的 AI 聊天平台，用户可在此对比和测试各类最佳 AI 聊天机器人，通过与不同机器人互动，直观感受其性能差异。

Chatbot Arena（原 LMSYS）是一个免费的 AI 聊天平台，用户可在此对比和测试各类最佳 AI 聊天机器人，通过与不同机器人互动，直观感受其性能差异。

HELM 是斯坦福大学开发的用于评估基础模型的全面框架，涵盖 142 个模型和 87 个场景，涉及问答、信息检索、总结、情感分析等多方面，提供全面准确的模型评估。

MMBench 是专注评估视觉语言模型能力的平台，有约 3000 道选择题，覆盖 20 多个细粒度评估维度。采用稳健评估方法和可靠输出提取方法，确保评估准确。由多机构团队贡献。

CMMLU 是综合性中文评估基准，涵盖 67 个主题，评估语言模型中文知识与推理能力。含排行榜展示模型表现，提供数据集，适用于科研、开发等场景。

OpenCompass 司南的大语言模型评测榜单，为你呈现业内大语言模型的权威排名。展示多维度能力评测结果，含整体、语言、知识、推理等维度，助你精准了解模型实力。

AGI - Eval 评测社区提供大语言模型和多模态榜单，数据透明权威。有人机评测、公开学术评测集等，还有用户数据贡献机制，与多机构合作，推动 AI 评测发展。

SuperCLUE 作为中文通用大模型综合性测评基准，多维度评估模型效果，月度更新榜单。涵盖 OPEN、OPT、琅琊榜三大基准，助力了解中文大模型实力。

探索 FlagEval，专业大模型评测平台。提供多维度、高精度的大模型评估，助您快速甄别模型优劣，把握 AI 发展趋势。

C-Eval 是一个全面的中文基础模型评估套件，包含 13948 个多项选择题，覆盖 52 个学科和四个难度级别，助力大语言模型评估。

探索 Papers with Code，这是一个将学术论文与代码实现紧密结合的平台。为 AI、机器学习等领域的科研人员和开发者提供丰富资源，助力学术研究与项目开发。

Hugging Face Open LLM Leaderboard：全球开源大模型的 “性能晴雨表",全球首个动态开源大模型评测平台，覆盖 200 + 模型、16 + 基准，支持多维度对比与结果复现，助力开发者、企业快速选择适配模型。