gsjqwyl

PubMedQA

PubMedQA 面向AI编程场景，主要提供生物医学研究问答数据集和模型得分排行榜等能力

H2O EvalGPT

H2O EvalGPT 面向国外AI聊天对话场景，主要提供H2O.ai推出的基于Elo评级方法的大模型评估系统等能力

LLMEval3

LLMEval3 面向大模型服务场景，主要提供由复旦大学NLP实验室推出的大模型评测基准等能力

LMArena

LMArena 面向大模型服务场景，主要提供AI模型评估平台等能力

HELM

HELM 面向大模型服务场景，主要提供斯坦福大学推出的大模型评测体系等能力

MMBench

MMBench 面向大模型服务场景，主要提供全方位的多模态大模型能力评测体系等能力

CMMLU

CMMLU 面向大模型服务场景，主要提供一个综合性的大模型中文评估基准等能力

OpenCompass

OpenCompass 面向大模型服务场景，主要提供上海人工智能实验室推出的大模型开放评测体系等能力

AGI-Eval

AGI-Eval 面向大模型服务场景，主要提供AI大模型评测社区等能力

FlagEval

FlagEval 面向大模型服务场景，主要提供智源研究院推出的FlagEval（天秤）大模型评测平台等能力

Open LLM Leaderboard

Open LLM Leaderboard 面向大模型服务场景，主要提供Hugging Face推出的开源大模型排行榜单等能力

MMLU

MMLU 面向AI编程场景，主要提供大规模多任务语言理解基准等能力