新PubMedQA
PubMedQA Homepage生物医学问答评测，基于PubMed文献数据库
排序
新AGI-Eval
通用智能评估体系，追踪多领域思维能力
新OpenCompass
评测榜单旨在为大语言模型和多模态模型提供全面、客观且中立的得分与排名，同时提供多能力维度的评分参考，以便用户能够更全面地了解大模型的能力水平。
新H2O EvalGPT
企业级评估系统，支持合规监测与成本优化
新CMMLU
中文多学科综合测试，涵盖67个领域知识库
新MMBench
中文多模态测评基准，测试图文理解推理能力
新Chatbot Arena
盲测对战平台，匿名模型对比用户实时评分
新LLMEval3
LLM-EVAL
新SuperCLUE
CLUE中文语言理解基准测评
新FlagEval
多任务测评框架，支持自定义扩展测评模块
新C-Eval
中文基座模型测评，覆盖52个学科基础知识
新OpenLLM
HuggingFace开源模型榜单，持续追踪技术创新
新MMLU
经典语言理解基准，涵盖STEM/社科57项科目
新HELM
斯坦福综合评估框架，覆盖安全性/鲁棒性/效率等维度