MLCommons 牵头 80 多家机构搞的安全基准,测模型会不会输出危险回答,题库保密防作弊。
GLUE 之后更难的一套英语理解测试,8 个任务拼一个总分,老牌基准,现在基本被刷满了。
1.1 万道大学难度的图文题,艺术医学工程全覆盖,专治只会看图不会做题的多模态模型。
Scale AI 自家跑的榜单,20 多个前沿评测放一起,HLE、SWE-Bench Pro 这些硬骨头都在这儿更新。
港大团队做的电脑操作评测,369 个真实桌面任务,看智能体能不能自己点鼠标、敲键盘把活儿干完。
人工维护的大模型榜单导航页,只收录还在更新的榜单,每个附一段介绍,找评测入口时方便。
公开原始分数的榜单站,MMLU-Pro、GPQA、SWE-bench 一表看全,每行还标价格和分数来源。
中文站做的国产多模态模型排名,8 个维度打分、标注证据等级,每期更新时还会说明评分逻辑。
国内团队做的中文大模型生成能力评测,1.1 万道覆盖 55 个学科的问答题,用 Gscore 综合打分。
清华、智谱、北大联合做的中文视觉问答对齐评测,用自研 CritiqueVLM 打分,关注中文场景下的图文理解。
1140 道贴近实际开发的编程题,涉及 139 个库、7 个领域,考的是调库写代码的综合能力。
SWE-bench 的多语言扩展版,覆盖 Java、TS、Go 等 7 种语言,看模型修真实仓库 issue 的本事。
测通用 AI 助手解决真实多步骤任务的能力,题目需要上网查资料、用工具,不是单纯问答。
文本向量模型的公开榜单,覆盖检索、分类、聚类等 8 类任务和上百种语言,选 embedding 模型前可以先来查。
加州伯克利做的工具调用评测,看模型调函数、并行调用和 REST、SQL 的准度,版本已到 v4。
用更严格的测试用例重测 HumanEval、MBPP 类代码榜,专治刷榜过拟合,看真实代码能力。
持续从最新编程竞赛收录新题,靠时间戳防题目污染,测代码生成、修 bug 和执行预测。
让模型在 Aider 里真实改代码,按 225 道多语言练习题的通过率排名,顺带记录每次运行的成本。
知名 AI 研究机构 Epoch AI 的评测数据中心,有自研的综合能力指数 ECI,方法论写得比较细。
收录 200 多个 LLM 基准的导航站,每个基准标注由谁评测、测了多少模型,找榜单时很省事。



