MagicArena
MagicArena的官方页面把自己定位为视觉大模型公开对战平台，面向图片和视频生成效果比较，并称参与对战后可得到个人模型排行榜。
AI模型评测
仅在AI模型评测中按名称、功能查找按 Ctrl 加 K 聚焦搜索框。
AI模型评测
15 个工具工具列表
查找大模型评测平台、基准和榜单资源，了解评测范围与方法，不把单一榜单结果视为所有任务的实际表现。
C-Eval
中文大模型评测基准与数据资源；官方排行榜已停止更新，不作为当前模型实时排名。
模型评测
FlagEval
FlagEval天秤是智源研究院的大模型评测平台，围绕自然语言、视觉和多模态等领域组织数据集、评测规则及结果展示。
AI模型评测
SuperCLUE
面向中文大模型的综合评测项目，覆盖语言、知识、智能体与安全等能力。
模型评测
AGI-Eval
AGI-Eval是用于大语言模型评测的开源框架，采用插件化设计，将数据处理、模型推理、指标计算和报告生成分开组织。
AI模型评测
OpenCompass
OpenCompass 司南是面向大模型开发者和使用者的评测平台与开源工具，提供榜单、评测集信息及可运行的评测流程。
模型评测
CMMLU
CMMLU 是评估语言模型中文知识与推理能力的基准数据集，覆盖67个主题，包含自然科学、人文社会科学及具有中国语境的知识问题。
模型评测
MMBench
MMBench 是评估视觉语言模型能力的公开基准，由题目数据和评测方法组成。
模型评测多模态
HELM
HELM 是斯坦福 CRFM 提供的模型评测框架与结果浏览平台，通过多个任务场景比较基础模型表现。
模型评测研究
Arena
Arena 是通过用户比较模型回答收集偏好、形成排行榜的平台。
模型评测排行榜
LLMEval3
LLMEval3 的原入口当前展示的是复旦相关团队的 LLMEval 评测研究系列，已经不只是一个单独的旧版排行页面。
模型评测
H2O EvalGPT
所给“H2O EvalGPT”链接当前对应H2O Eval Studio，是用于评估大语言模型和检索增强应用的工具。
AI模型评测
Label Studio
支持多种数据标注、人工反馈和 AI 评估的开源平台。
数据标注模型评估
Promptfoo
通过配置化测试比较提示词、模型和 RAG 输出，支持结果查看与持续集成检查。
模型评测提示词测试
DeepEval
面向 LLM、RAG 与智能体的 Python 评估框架，可将测试样例接入自动化回归检查。
开发框架评估