MMLU
大规模多任务语言理解基准
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 个人工生成的QA实例，该排行榜目前已收录18个模型的医学测试得分。
数据统计
相关导航
OpenCompass
上海人工智能实验室推出的大模型开放评测体系
MMBench
全方位的多模态大模型能力评测体系
HELM
斯坦福大学推出的大模型评测体系
CMMLU
一个综合性的大模型中文评估基准
H2O EvalGPT
H2O.ai推出的基于Elo评级方法的大模型评估系统
C-Eval
一个全面的中文基础模型评估套件
LLMEval3
由复旦大学NLP实验室推出的大模型评测基准
暂无评论...