PubMedQA
PubMedQA是一个生物医学研究问答数据集，包含了1K专家...
排序
H2O EvalGPT
H2O EvalGPT 是 H2O.ai 用于评估和比较 L...
LLMEval3
LLMEval是由复旦大学NLP实验室推出的大模型评测基准...
Chatbot Arena
Chatbot Arena是一个大型语言模型 (LLM) 的...
HELM
HELM全称Holistic Evaluation of L...
MMBench
MMBench是一个多模态基准测试，由上海人工智能实验室、南...
CMMLU
CMMLU是一个综合性的中文评估基准，专门用于评估语言模型在...
OpenCompass
OpenCompass是由上海人工智能实验室（上海AI实验室...
AGI-Eval
AGI-Eval是什么 AGI-Eval是上海交通大学、同济...
SuperCLUE
SuperCLUE 是一个中文通用大模型综合性评测基准，从三...
FlagEval
FlagEval（天秤）由智源研究院将联合多个高校团队打造...
C-Eval
C-Eval是一个适用于大语言模型的多层次多学科中文评估套件...
Open LLM Leaderboard
Open LLM Leaderboard 是最大的大模型和数...
MMLU
MMLU 全称 Massive Multitask Lang...