模型评测

H2O EvalGPT是H2O.ai推出的AI模型评估平台，自动评测大模型在推理、知识、指令遵循、安全等维度的能力，支持基准测试、自定义评估和可视化报告，辅助模型选型与优化。

C-Eval是中文大模型综合评测基准，包含13948道多项选择题，覆盖52个学科和4个难度级别，从STEM、人文、社会科学到其他领域全面评估中文大模型的综合能力。

PubMedQA是生物医学领域的问答评测基准，基于PubMed医学文献构建，包含yes/no/maybe三种答案类型，用于测试大模型在医学知识和推理方面的能力。

SuperCLUE是CLUE基准平台推出的中文大模型综合评测体系，从逻辑推理、知识运用、语言理解、生成创作、多轮对话、安全等多个维度评估中文大模型能力，并发布公开排名榜单。

AGI-Eval是通用人工智能（AGI）评测基准，从中文通用能力出发，评估大模型在知识、推理、创作、指令遵循等多维度的表现，提供能力评估和排名。

MMBench是OpenCompass推出的多模态大模型评测基准，标准化测试模型的图文理解能力，覆盖感知、认知、推理等能力维度，并发布公开排行榜。

OpenCompass是上海AI实验室等推出的开源大模型评测体系，支持语言、视觉、多模态等多维度能力评测，覆盖主流评测基准，提供标准化评测流程和公开排行榜。

Chatbot Arena是LMSYS推出的众包评测平台，让用户匿名对两个大模型的回答进行投票PK，通过Elo评分算法生成真实用户视角的模型排行榜，被誉为"大模型评测的奥林匹克"。

FlagEval是智源研究院推出的AI模型评测平台，从语言、视觉、多模态等多维度评测大模型能力，提供榜单、趋势分析和分类评测，覆盖国内外主流模型。

MMLU（Massive Multitask Language Understanding）是广泛使用的英文大模型评测基准，包含57个学科的15908道题，从STEM到人文社科全面测试模型的知识和推理能力。

HELM是斯坦福CRFM推出的开源大模型评测框架，在多个基准上从准确性、鲁棒性、公平性、毒性、效率等维度透明评估模型，强调可复现和全面性。

CMMLU是中文大规模多任务语言理解基准，包含67个学科的中文知识题，特别侧重中华文化相关知识的测试，用于评估大模型在中文文化语境下的知识掌握和推理能力。

百川大模型是百川智能自主研发的大模型系列（Baichuan），覆盖开源和商用版本，在中文理解、推理、代码生成等方面表现突出，通过百川智能平台提供对话和API接入。

书生·浦语（InternLM）是上海人工智能实验室推出的开源大模型，支持中英文和多模态，在推理、代码、工具调用等能力上表现突出，提供开源权重和商用授权。