PubMedQA
一个用于生物医学研究问题回答的数据集
排序
Chatbot Arena
是一个基于人类偏好评估AI聊天机器人性能的开放平台
Helm Lite
斯坦福大学CRFM团队开发的一个轻量级语言模型评估基准
H2O Eval Studio
由H2O.ai开发的一款企业级AI模型评估平台
MMBench
由OpenCompass社区开发的多模态基准测试工具
SuperCLUE
中文通用大模型综合性测评基准
FlagEval
北京智源人工智能研究院推出的大模型评测体系及开放平台
MMLU
一个用于评估语言模型在多任务、多领域知识推理和理解能力的基准测试工具
Open LLM Leaderboard
一个由Hugging Face提供的开源大语言模型（LLMs）和聊天机器人性能评测平台
C-Eval
一个由上海交通大学、清华大学和爱丁堡大学联合推出的中文基础模型评估套件