MMLU（Massive Multitask Language Understanding）是一个大规模多任务语言理解基准测试集，用于评估大语言模型在57个学科领域中的知识广度和推理能力。 57个学科覆盖：涵盖人文、社科、理工、法律、医学等领域，评估维度全面 超大规模题库：包含约15,000道多项选择题，测试模型在广泛知识上的表现 零样本与少样本评估：支持不同提示方式...

Open LLM Leaderboard是Hugging Face社区推出的开源大语言模型排行榜，通过标准化评测任务对社区中提交的模型进行自动基准测试，并以排行榜形式公开展示。 自动化评测流程：提交模型后自动运行多个基准测试，结果实时更新至排行榜 多维度评分：涵盖ARC、HellaSwag、MMLU等6项核心基准测试，综合反映模型能力 开源社区驱动：所有模型权重与评测...

C-Eval是一个专为评估中文大语言模型设计的综合评测基准，涵盖52个学科、约1.4万道选择题，旨在全面衡量中文AI模型的知识储备与推理能力。 中文场景定制：题目均以中文呈现，覆盖中国教育体系下的学科知识，贴合本土应用 多难度层级：包含初中、高中、大学至专业级别题目，可评估模型在垂直领域的深度 零样本与思维链评测：支持标准提示和思维链（CoT）两种评测模式，分析模型推...