跳到正文
每天早上一封邮件,把昨天的 AI 梳理好
订阅邮件
›
模型
产品
研究
创意
商业
创业公司
文化
模型
产品
研究
创意
商业
创业公司
文化
品牌
术语词典
新闻通讯
更多
基准测试
先说明各自衡量什么。分数表要等能区分自测与第三方测量之后再建。
BFCL
agent
τ-bench
agent
Terminal-Bench
agent
WebArena
agent
HumanEval
coding
LiveCodeBench
coding
SWE-bench
coding
SWE-bench Verified
coding
Artificial Analysis Intelligence Index
composite
SimpleQA
factuality
IFEval
instruction
Humanity's Last Exam
knowledge
MMLU
knowledge
MMLU-Pro
knowledge
AIME
math
FrontierMath
math
GSM8K
math
MATH-500
math
MMMU
multimodal
Video-MME
multimodal
LMArena Elo
preference
ARC-AGI
reasoning
ARC-AGI-2
reasoning
GPQA Diamond
reasoning