跳到主要内容Skip to main content

Models · Evals

Open LLM Leaderboard

开放模型的标准化对照

测什么开放模型的标准化对照
任务与数据多个固定基准(含 MMLU、GSM8K、IFEval 等)
指标各基准分别报告,另有平均
污染风险题目公开,污染风险高;榜单会标注模型提交时间。
复现固定 few-shot、prompt 与评测脚本;看榜单版本与提交日期。
成本低到中
快照日2026-11-19
核验日2026-11-19

怎么读

适合横向找候选,不适合直接下结论;平均分会掩盖任务差异。

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”。