跳到主要内容Skip to main content

Models · Evals

HELM

多场景、多指标的综合评测

测什么多场景、多指标的综合评测
任务与数据问答、摘要、分类、安全等大量场景
指标各场景分别报告,不合成单一总分
污染风险部分场景公开;要看具体场景的数据来源与时间。
复现固定场景、prompt、指标与运行版本;记录未覆盖场景。
成本高;场景多
快照日2026-11-19
核验日2026-11-19

怎么读

优点是透明、分场景报告;缺点是不是所有模型都覆盖全场景。

下一步

  • 打开榜单或论文页,确认题集版本、评分脚本与提交日期。
  • 把它和你关心的业务任务做对照;找不到对应任务,就自己建 50–100 条内部评测。
  • 读 怎么读榜单,把“分数”写成“条件 + 参考价值”。
榜单 / 来源:https://crfm.stanford.edu/helm/ · 快照 2026-11-19