PubMedQA官网 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…
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…
MMLU 全称 Massive Multitask Language Understanding,是一种针对大…
Open LLM Leaderboard 是最大的大模型和数据集社区 HuggingFace 推出的开源大模型…
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中文语境下的知识和推理能力,涵盖了从基础学科到高级…
SuperCLUE 是一个中文通用大模型综合性评测基准,从三个不同的维度评价模型的能力:基础能力、专业能力和中…
Chatbot Arena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…
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…
OpenCompass是由上海人工智能实验室(上海AI实验室、于2023年8月正式推出的大模型开放评测体系,通…
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…