MMBench
专注于多模态基准测试的平台，提供了一个全面的评估框架
AGI-Eval
专注于通用人工智能（AGI）能力评估的平台
SuperCLUE
专注于中文语言理解的基准测试平台
C-Eval
专注于评估中文语言模型性能的基准测试平台
FlagEval
北京人工智能研究院（BAAI）开发的开源评估平台
LLMEval3
专注于评估大型语言模型（LLM）性能的开放平台
Chatbot Arena
通过用户投票和对比测试，评估不同聊天机器人模型的开放平台
CMMLU
专注于中文语境的多任务评估框架
OpenCompass
上海人工智能实验室推出的专注于对大型语言模型（LLM）的开源评测体系
H2O EvalGPT
H2O.ai 开发的 GPT 模型评估工具
PubMedQA
评估 AI 模型在生物医学领域的阅读理解能力
HELM
斯坦福大学开源的语言模型评测框架
Open LLM Leaderboard
Hugging Face 推出的大语言模型的评估平台
MMLU
多任务语言理解基准测试，涵盖了 57 个不同的任务领域