EN

工具目录

AI模型评测

目录收录首页发现与独立官网核验的条目，只展示已核验官网的工具；完整分类、分页和任务实测仍在补充。

13 工具

已核验：来源与条款已核对候选候选：尚未完整核验按核验状态与名称排序，不含付费排名

讯飞星辰MaaS官网已核验

讯飞星辰MaaS 的公开主要简介将其定位为面向开发者的模型精调服务平台，介绍数据处理、模型优化、效果评估和部署托管。本次没有进入控制台运行这些流程。

分类: AI训练模型

分类图标

Arena官网已核验

Arena（原 LMArena / Chatbot Arena）是模型输出比较与评测平台，提供偏好投票、按任务类别查看 Agent 表现和成本，并包含 Code Arena 开发模式。

分类: AI模型评测

C-Eval官网已核验

面向基础模型的中文综合评测基准，官方 README 描述 13,948 道选择题、52 个学科与四个难度层级。

分类: AI模型评测

分类图标

CMMLU官网已核验

中文多任务语言理解评测基准，涵盖 67 个主题，用于分析模型在中文知识、推理及中国特定语境中的表现。

分类: AI模型评测

分类图标

Dataify官网已核验

Dataify 是 AI 数据服务平台。官网介绍训练、评测与 RAG 数据集，以及网页、搜索结果和视频数据 API 与网络资源服务，主要用途是为模型和应用提供数据。

分类: AI训练模型

FlagEval官网已核验

FlagEval 是大模型评测工具与开放平台，公开项目覆盖基础模型、训练及微调算法，并介绍语言、视觉、音频与多模态评测方向。

分类: AI模型评测

HELM官网已核验

Stanford CRFM 的开源综合模型评测框架，统一数据、模型接口与多种指标；官方 README 明确于 2026-06-01 进入维护模式。

分类: AI模型评测

MMBench官网已核验

OpenCompass Community 的多模态理解评测基准，使用选择题和细粒度能力维度分析视觉语言模型，并提供中英文数据及评测工具入口。

分类: AI模型评测

分类图标

MMLU官网已核验

Measuring Massive Multitask Language Understanding 的原始研究基准与代码仓库，用多学科测试分析语言模型知识与理解；对应论文发表于 ICLR 2021。

分类: AI模型评测

分类图标

Open LLM Leaderboard官网已核验

Open LLM Leaderboard 是 Hugging Face 上由 open-llm-leaderboard 组织发布的 Space，描述为可交互浏览开源大模型在 IFEval、BBH、MATH、GPQA、MUSR、MMLU-PRO 等测试上的榜单。

分类: AI模型评测

分类图标

OpenCompass官网已核验

司南大模型评测平台，组织语言与多模态模型榜单、评测集社区和相关文档。

分类: AI模型评测

PubMedQA官网已核验

生物医学研究问答数据集，要求依据论文摘要对研究问题作 yes、no 或 maybe 回答；官网榜单最后更新标为 2024-04-28。

分类: AI模型评测

分类图标

SuperCLUE官网已核验

中文大模型综合评测入口，介绍多轮开放式、客观题及对战等评测方向；本次可读页面仍保留 2023 年 7 月榜单。

分类: AI模型评测

分类图标