AI模型评测
AI 模型评测帮助比较不同模型的能力与成本。先确定评测任务和评分标准，再用自己的样本复测；公开榜单只能作为参考，不能替代真实业务场景下的效果验证。
AI模型评测推荐
按资料完整度排序，共 13 个
C-Eval
全面涵盖中文基础模型能力评估的工具套件
10月15日 核对
LLMEval3
复旦大学自然语言处理实验室开发的AI大模型评测基准
10月15日 核对
H2O EvalGPT
H2O.ai公司基于Elo评级方法开发的大模型评估系统
10月15日 核对
MMLU
大规模的多任务语言理解能力评估基准测试
10月15日 核对
AGI-Eval
AI大模型评测的社区。
10月15日 核对
PubMedQA
生物医学问答数据集和模型评估工具。
10月15日 核对
FlagEval
（天秤）是智源研究院的大模型评测平台。
10月15日 核对
MagicArena
字节跳动开发的视觉生成人工智能模型对战竞技平台
10月15日 核对
LMArena
AI模型评估的专用平台，用于比较不同AI模型的性能。
10月15日 核对
OpenCompass
上海人工智能实验室开发的开放式大模型评测框架
10月15日 核对
SuperCLUE
中文通用大模型的综合测评基准。
10月15日 核对
MMBench
多模态大模型能力评测的广泛全面客观体系
10月15日 核对
选择AI模型评测前先确认
- 先定任务与评分标准
- 用自有样本复测关键能力
- 把公开榜单当作参考而非结论
分类与排序基于站点已核实的公开资料；工具价格、功能与授权请以官网当前说明为准。