模型評測

更新時間：2026-08-28

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。

更新時間：2026-08-28

Cua

開源的电腦操作智慧代理驱動與跨系統集群方案。

更新時間：2026-09-03

gpt-oss-120B

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

海外免費+3

更新時間：2026-08-29

Giskard

開源的智慧代理評測與測試庫，自動發現品質問題。

更新時間：2026-09-03

LMArena

通過真實使用者投票對比 LLM 輸出品質的公開評測平台。

更新時間：2026-08-29

agentops

用於AI智慧代理監控、LLM成本追蹤和基準測試的Python SDK。

更新時間：2026-08-28

LangWatch

大模型評測與智慧代理測試平台，覆蓋上線前後觀測。

更新時間：2026-09-03

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效能的公共評測平台。

更新時間：2026-08-28

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。

更新時間：2026-08-28

ChainForge

視覺化程式設計環境，用來批次對比和压測提示詞效果。

更新時間：2026-09-03

Laminar

面向智慧代理的開源可觀測平台，追蹤每一步呼叫。

海外免費+3

更新時間：2026-09-03

Artificial Analysis

獨立的模型與 API 效能分析站：品質、速度、價格。

更新時間：2026-08-29

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效能排名。

更新時間：2026-08-28

Agentic Security

面向大模型與智慧代理的開源漏洞扫描與红隊工具。

更新時間：2026-09-03

Simon Willison 部落格

高頻更新的 LLM 實用觀察與工具評測。

更新時間：2026-09-03

WildBench

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

更新時間：2026-08-28

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。

更新時間：2026-08-28

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效能表現。

更新時間：2026-08-28

chatbot-arena

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

更新時間：2026-08-28

GIFT-Eval

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

更新時間：2026-08-28

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。

更新時間：2026-08-28

SWE-bench

以真實 GitHub issue 評測模型程式設計能力的基準。

更新時間：2026-08-29

Hugging Face Daily Papers

每日精選 AI 論文榜單，跟進前沿研究的入口。

更新時間：2026-07-09