登入
返回發現頁

DIRECTORY / TASK

模型評測

34
任务模型榜單、基準測試和選型參考。

按四層分類和可複查欄位整理。

符合到 34 項資源線上目錄
類型

全部候選：模型評測

共 34 項
mempalace

mempalace

目前基準測試表現最佳的開源人工智慧記憶系統。

全球免費+1

更新時間：2026-08-28

前往官網
open_llm_leaderboard

open_llm_leaderboard

開放大語言模型排行榜是一個由Hugging Face維護的開源大語言模型評測平台，用於透明地比較和跟踪各類開放模型的性。

全球免費+2

更新時間：2026-08-28

前往官網
GPT-4

GPT-4

当年的標尺，穩和贵一起出名，現在更多是拿來對比，不建議新專案從它起步。

海外付費+3

更新時間：2026-08-29

前往官網
gpt-oss-120B

gpt-oss-120B

OpenAI 終於把大號開放權重放出來了，能自托管是硬優點，機器和維運成本也是真帳單。

海外免費+3

更新時間：2026-08-29

前往官網
OpenAI o1

OpenAI o1

把‘先想一會儿再答’做成產品的型號，數學科研有記憶點，現在屬於推理史老前辈。

海外付費+3

更新時間：2026-08-29

前往官網
OpenAI o3

OpenAI o3

專門啃難題的推理款，數學程式碼常能一把梭，但速度和費用要有心理準備。

海外付費+3

更新時間：2026-08-29

前往官網
Qwen3.8-Flash-Next

Qwen3.8-Flash-Next

冲的是長上下文吞吐和並發成本，適合压測和生產試用，预覽版別当定稿。

中國地區免費+3

更新時間：2026-08-29

前往官網
Grok 4 Heavy

Grok 4 Heavy

並行推理堆料型選手，難題和研究任務有冲劲，贵和慢是它绕不開的副作用。

海外付費+3

更新時間：2026-08-29

前往官網
LMArena

LMArena

通過真實使用者投票對比 LLM 輸出品質的公開評測平台。

全球免費+3

更新時間：2026-08-29

前往官網
agentops

agentops

用於AI智慧代理监控、LLM成本追踪和基準測試的Python SDK。

全球免費+1

更新時間：2026-08-28

前往官網
Kimi k1.5

Kimi k1.5

長文和視覺推理是招牌，適合把一堆資料丢進去問，穩定性看具體場景。

中國地區付費+3

更新時間：2026-08-29

前往官網
Text-to-Image-Leaderboard

Text-to-Image-Leaderboard

圖像競技場排行榜是一個用於比較不同圖像產生模型性能的公共評測平台。

全球免費+2

更新時間：2026-08-28

前往官網
leaderboard

leaderboard

排行榜是用於評估大語言模型在真實世界問答任務中表現的基準測試平台。

全球免費+2

更新時間：2026-08-28

前往官網
Artificial Analysis

Artificial Analysis

獨立的模型與 API 性能分析站：品質、速度、價格。

全球免費+3

更新時間：2026-08-29

前往官網
Deep-Reinforcement-Learning-Leaderboard

Deep-Reinforcement-Learning-Leaderboard

深度強化學習排行榜，汇總各算法在標準基準測試中的性能排名。

全球免費+2

更新時間：2026-08-28

前往官網
WildBench

WildBench

排行榜（V2）是一個用於評估大語言模型在多样化真實任務中表現的基準測試平台。

全球免費+2

更新時間：2026-08-28

前往官網
bigcodebench-leaderboard

bigcodebench-leaderboard

排行榜是一個用於評估大語言模型程式碼產生能力的基準測試平台。

全球免費+2

更新時間：2026-08-28

前往官網
ocrbench-leaderboard

ocrbench-leaderboard

基準測試排行榜，用於評估和比較各種光學字符識別模型的性能表現。

全球免費+2

更新時間：2026-08-28

前往官網
chatbot-arena

chatbot-arena

是一個用於對比不同大語言模型性能的公開評測平台，使用者可通過匿名對話投票選出更佳回答。

全球免費+2

更新時間：2026-08-28

前往官網
GIFT-Eval

GIFT-Eval

是一個用於評估基礎模型的综合框架，旨在促進跨多個任務、领域和模態的標準化基準測試。

全球免費+2

更新時間：2026-08-28

前往官網
MMLU-Pro

MMLU-Pro

排行榜是大語言模型多任務語言理解能力評估的標準化基準。

全球免費+2

更新時間：2026-08-28

前往官網
S

SWE-bench

以真實 GitHub issue 評測模型程式設計能力的基準。

全球免費+4

更新時間：2026-08-29

前往官網
H

Hugging Face Daily Papers

每日精選 AI 論文榜單，跟進前沿研究的入口。

全球免費+3

更新時間：2026-07-09

前往官網
OpenSTL

OpenSTL

OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predic

全球免費+2

更新時間：2026-09-01

前往官網

FAQ

模型評測 收錄什麼資源？

模型榜單、基準測試和選型參考。

結果如何篩選？

結果依據目錄中的關鍵字、專題、典型用途、適用對象和平台欄位符合。

這裡的排序是付費排名嗎？

付費或贊助展示會單獨標注；清單排序使用目錄欄位和目前視圖規則。

相關分類

全部發現
AI 程式設計圖像產生影片產生語音與音乐AI 搜尋RAG 知識庫Agent 建構工作流程自動化