MMBench是一个多模态基准测试，由上海人工智能实验室、南洋理工大学、香港中文大学、新加坡国立大学和浙江大学[…]

HELM全称HolisticEvaluationofLanguageModels（语言模型整体评估）是[…]

ChatbotArena是一个大型语言模型(LLM)的基准平台，以众包方式进行匿名随机对战，该项目方LM[…]

MMLU全称MassiveMultitaskLanguageUnderstanding，是一种针对大[…]

LLMEval是由复旦大学NLP实验室推出的大模型评测基准，最新的LLMEval-3聚焦于专业知识能力评测，涵[…]

OpenLLMLeaderboard是最大的大模型和数据集社区HuggingFace推出的开源大模型[…]

H2OEvalGPT是H2O.ai用于评估和比较LLM大模型的开放工具，它提供了一个平台来了解模型[…]

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，由上海交通大学、清华大学和爱丁堡大学研究人员在2[…]

PubMedQA是一个生物医学研究问答数据集，包含了1K专家标注，61.2K个未标注和211.3K个人工[…]

FlagEval（天秤）由智源研究院将联合多个高校团队打造，是一种采用“能力—任务—指标”三维评测框架的大模型[…]