PubMedQA
生物医学研究问答数据集和模型得分排行榜是一个聚焦生物医学领域的专业评测体系。该榜单收录了多个人工智能模型在生物医学问答任务上的性能表现，通过标准化的测试数据集对各模型进行综合评估。榜单为研究人员提供了权威的模型对比平台，可直观了解不同算法在生物医学知识理解和推理能力方面的优劣。该评测在促进AI医疗技术进步、优化临床决策支持系统等方面具有重要参考价值。
LLMEval是由复旦大学NLP实验室推出的大模型评测基准，最新的LLMEval-3聚焦于专业知识能力评测，涵盖哲学、经济学、法学、教育学、文学、历史学、理学、工学、农学、医学、军事学、管理学、艺术学等教育部划定的13个学科门类、50余个二级学科，共计约20W道标准生成式问答题目。
数据统计
数据评估
关于LLMEval3特别声明
云知AI导航收录的「LLMEval3」等资源均来自互联网，外部链接的内容与准确性不由本站保证或控制。同时，对于该外部链接的指向，不由云知AI导航实际控制，在2025年8月23日 上午7:18收录时，该网页上的内容，都属于合规合法，后期网页的内容如出现违规，可以直接联系网站管理员进行删除，云知AI导航不承担由此产生的任何责任。
相关导航
FlagEval
智源研究院推出FlagEval（天秤）大模型评测平台，专注于全方位评估大模型能力。该平台采用多维度评测体系，覆盖语言理解、推理生成等核心指标，提供客观、公正的评估结果。通过标准化测试和动态基准，助力科研机构和企业精准衡量模型性能，推动大模型技术迭代优化，为AI发展提供可靠评估工具。
HELM
斯坦福大学推出的大模型评测体系
CMMLU
"综合性的大模型中文评估基准"是一个全面测试中文大模型能力的评测体系，涵盖语言理解、生成、推理等多维度任务，通过标准化测试集评估模型在中文语境下的表现。该基准兼顾传统NLP任务和前沿挑战，旨在推动中文大模型技术进步，为研究者提供可靠的评价工具。其特色包括：严格的中文场景设计、层次化评测指标、多样化任务类型，能客观反映模型在中文领域的真实能力水平。
MMBench
本评测体系基于前沿多模态技术,构建包含视觉、语音、文本等全方位能力的评估框架。通过标准化测试集与创新性指标设计,对模型的跨模态理解、生成、推理等核心能力进行系统性评估,为模型性能提供客观量化基准。体系支持对不同规模模型进行层次化测评,助力人工智能技术研发与产业应用升级。
LMArena
AI模型评估平台是一款专注于测试和优化机器学习模型的工具，提供全面的性能评估指标，包括准确率、召回率、F1分数等。平台支持多种AI模型类型，涵盖图像识别、自然语言处理等领域，帮助开发者快速验证模型效果。通过可视化分析报告，用户可以直观了解模型表现，并针对性地优化算法。该平台致力于帮助研究团队和企业提升AI模型质量，降低开发成本，加速产品落地进程。
SuperCLUE
"中文通用大模型综合性测评基准"是一个全面评估中文大模型能力的标准化体系。该基准从语言理解、文本生成、逻辑推理、多任务处理等多个维度，构建了系统化的测评框架，采用定量与定性相结合的方法对模型性能进行评测。通过标准化测试集与评分标准，为不同中文大模型的横向比较提供客观依据，同时为模型优化提供方向性指导，推动中文大模型技术的有序发展与应用落地。
Open LLM Leaderboard
Hugging Face推出的开源大模型排行榜单权威评测各类开源AI模型的性能表现，涵盖自然语言处理、多模态等多个领域。该榜单采用标准化测试基准，为用户提供模型性能、效率等维度的客观对比数据，助力开发者选择最适合的模型方案。作为开源社区的重要参考指标，该榜单持续追踪最新模型进展，推动人工智能技术的开放共享与创新发展。
