按基准聚合模型成绩的评测站,分任务列出各模型的得分,数据来源与更新时间均有标注。
英国AI安全研究院的开源评测框架,内置200多个评测任务,可对任意模型跑分并查看结果。
汇总函数调用、终端任务与长上下文等智能体榜单,按任务列出各模型的公开成绩。
模拟航空客服与零售场景,考模型多轮调用工具完成任务的能力,给出真实任务成功率。
卡内基梅隆团队的交互式评测框架,可切片查看模型在各类输入上的表现,支持多模型横向对比。
Meta推出的动态评测平台,让人类出题考模型并持续更新数据集,榜单侧重鲁棒性与公平性。
综合多项基准分析给出20强模型排名,区分综合、编程与推理等不同维度的领先者。
按Arena Elo、MMLU、HumanEval等指标给69个模型排座次,每月刷新并附价格与速度参考。
对比155多个模型的质量、价格、速度与上下文长度,支持任选模型并排比较,数据每日更新。
泰国团队做的模型榜单,每晚同步多家评测源数据,给出智能、编程与智能体三项指数。
综合多家公开榜单的中位排名指数,跟踪新模型上线、定价变化与榜单动态。
用真人盲投对比前端与设计生成效果的竞技场,按场景给出各模型的能力排名。



