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。

跟踪Terminal-Bench等个人智能体榜单,列出各模型与智能体组合的任务完成率与成本。

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。

按11项能力榜单逐项列出领先模型,汇总领奖台次数算综合指数,帮你按任务选模型。

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。

442个模型的大榜单,可按GPQA、AIME、SWE-bench等数十项基准排序,并附价格与速度数据。

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。

按编程、推理、智能体等任务分列榜单,汇总各基准的公开成绩与来源,便于按任务挑模型。

汇总竞技场、SWE-bench、ARC-AGI等14个公开榜单,跟踪259个模型的成绩并给出综合指数。

收录107个模型在21项基准上的得分,覆盖MMLU、GPQA与SWE-bench等,可按类别筛选对比。

面向大模型应用的实验与评测平台,支持提示词对比、人工标注与上线后监控。

按综合指数与性价比排名的模型排行榜,覆盖数百款模型并附价格与速度数据。

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。

Telegram

联系telegram

关注我们
关注我们
客服微信

点击复制微信号

私域神器

前往私域神器