PubMedQA是面向生物医学研究问题回答的专业数据集，该数据集包含1000个专家标注问答实例、61200个未标注实例及211300个人工生成问答对，为生物医学自然语言处理模型提供标准化测试基准，助力研发人员开发和评估模型，提升其对生物医学文献的理解与问答能力。
H2O EvalGPT是H2O.ai推出的开源LLM大模型评估工具，为用户提供一站式平台，用于全面洞察各类大模型在海量任务及基准测试中的性能表现。无论你是希望通过大模型自动化工作流程、优化业务任务，该工具都能提供主流开源高性能大模型的详细排行榜，助力精准筛选适配项目需求的最优模型，高效完成特定任务。
LLMEval3是目前国内外最权威的大语言模型（LLM）专业知识评测基准之一。它由复旦大学自然语言处理实验室推出，旨在填补通用模型评测中对学科深度和专业应用能力的空白。
LMArena是加州大学伯克利分校推出的AI模型评估平台，用户输入问题后，平台同步输出两个AI模型的匿名回答，用户投票选出更优答案，投票结果实时反馈至公共排行榜，直接决定模型排名。
HELM是斯坦福大学推出的大模型评测体系。其核心评测框架包含场景、适配、指标三大核心模块，每次评测需明确指定一个应用场景、一套模型适配提示，以及一项或多项评估指标。
MMBench是一款多模态基准测试工具，由上海人工智能实验室、南洋理工大学、香港中文大学、新加坡国立大学及浙江大学联合研发。该基准构建了一套从感知到认知的逐级细分评估流程，覆盖20项细粒度能力维度，数据集包含约3000道单项选择题，均源自互联网及权威基准数据集。
CMMLU是面向中文语境的综合性评估基准，专注衡量语言模型的中文知识储备与推理能力，覆盖67个从基础学科到高级专业的主题。其任务范畴横跨三类领域：需计算推理的自然科学、需知识沉淀的人文与社会科学、需生活常识的中国驾驶规则等场景。
>OpenCompass是上海AI实验室正式推出的大模型全品类开放评测体系，以完整开源、可复现的评测框架为核心，实现大语言模型、多模态模型的一站式评测，且定期发布权威评测结果榜单。
AGI-Eval是由上海交通大学、同济大学、华东师范大学、DataWhale等高校及机构联合打造的大模型通用能力评测社区，以“评测助力，让AI成为人类更好的伙伴”为核心使命，致力于构建公正、可信、科学、全面的大模型评测生态。平台专为评估基础
SuperCLUE是聚焦中文大模型的全维度综合性评测基准，其以四大能力象限、12项基础能力为核心评测框架，融合多轮对话、客观题测试、主观题评估等多元评测方式，从语言理解与生成、知识应用、专业技能、环境适应与安全性四大维度展开全面评测。
平台多维度拆解大模型认知能力，覆盖对话、问答、情感分析等多元应用场景；配套超22个专业数据集、8万道评测题目，同时支持文本、图像、视频等多模态模型评测，兼容PyTorch、MindSpore等多AI框架及NVIDIA、昇腾等多硬件架构。
C-Eval是由上海交通大学、清华大学与爱丁堡大学研究团队于2023年5月联合推出的中文大语言模型专属评估套件，包含13948道标准化多项选择题，覆盖52个学科领域、划分四个难度等级。
Open LLM Leaderboard是全球最大的大模型与数据集社区HuggingFace推出的开源大模型专业排行榜单，平台通过IFEval、BBH、MATH等多类权威基准测试，从指令遵循、复杂推理、数学解题、专业知识问答等核心维度对大模型进行全方位量化评估。
MMLU（大规模多任务语言理解）是一种专注于评估大模型综合能力的基准测试工具。它通过涵盖多个学科领域的问答任务，来测量模型的世界知识深度、跨领域推理能力和学术水平。
MagicArena是字节跳动推出的国内首个视觉生成大模型对战平台，平台支持用户输入文字提示词，一键调用Midjourney、FLUX、可灵、海螺、即梦等国内外主流视觉生成大模型，同步生成图片或视频内容。
