搜索 评测

中文语言理解测评基准，聚焦中文语义与知识能力

上海AI实验室司南体系，提供大模型全维度开放评测

综合数学推理与视觉理解的多模态基准

以长度控制胜负率快速比较指令遵循模型

把提示、模型与评测放进团队协作流水线

H2O EvalGPT

AI模型评测

H2O Elo评级机制给大模型打分，可输出相对排名，适合快速建立模型强弱的直观认识。

FlagEval

AI模型评测

智源FlagEval（天秤）平台从多个维度评测模型，兼顾客观任务与开放问题。

LLMEval3

AI模型评测

复旦大学NLP实验室推出的LLMEval3，针对中文大模型能力设计评测任务与榜单。

OpenCompass

AI模型评测

上海AI实验室的OpenCompass提供开放评测体系和模型榜单，支持复现与多维度横向比较。

HELM

AI模型评测

斯坦福HELM强调多维度评测模型，同时考察准确性、鲁棒性、公平性、效率等，避免单分论英雄。

MMBench

AI模型评测

MMBench覆盖图像理解等多模态能力，包含中文题目，适合检验多模态模型的中文表现。

Chatbot Arena

AI模型评测

Chatbot Arena让用户盲选匿名模型回答，靠众包投票反映真实主观偏好，结果常被引用。