AI模型评测

MIT授权开源的一款生物医学问答数据集与工具集，专为处理复杂科研文献设计

大语言模型的全生命周期评测与优化

全球最权威的开源大模型评测平台

斯坦福大学基础模型研究中心（CRFM）于2022年发布，是首个覆盖语言模型能力、风险与效率的系统性评测框架。

OpenCompass团队推出的开源评测基准，旨在解决传统AI模型评估中存在的“能力盲区”问题

CMMLU由上海交通大学、微软亚洲研究院与墨尔本大学联合推出，是一个专注于中文语言和文化背景的大模型评测工具。

OpenCompass由上海人工智能实验室于2023年8月正式开源，定位为大模型评测的全链路工具平台。

SuperCLUE由CLUE中文语言理解测评基准发展而来（2019年发起），是专注于中文通用大模型评估的独立第三方机构。

FlagEval由北京智源人工智能研究院于2023年推出，是首个覆盖"能力-任务-指标"三维评估体系的智能评测平台。

C-EVAL由上海交通大学、清华大学与爱丁堡大学联合研发，是首个专注于中文大语言模型（LLM）的综合性评测套件

Open LLM Leaderboard 由全球最大的AI开源社区Hugging Face于2023年推出，旨在解决大模型性能评估的“信息迷雾”

MMLU（大规模多任务语言理解）由斯坦福大学研究团队开发，是评估大型语言模型（如GPT、Claude系列）综合能力的黄金标准。

微软研究院于2023年推出，是首个以人类标准化考试（如中国高考、美国SAT、法学院入学考试LSAT等）为基准的大模型评估系统