基准测试
  1. 首页
  2. 基准测试

列表

AxBench

AxBench

AxBench是斯坦福大学推出的语言模型可解释性评估框架，支持概念检测与模型转向任务。它通过合成数据生成训练集，评估模型对特定概念的识别能力和干预后的表现。提供统一的评估平台，支持多种控制方法，如提示、微调和稀疏自编码器，并采用多维评分机制，适用于AI安全、伦理及内容生成等场景。
AI项目与工具 2025年06月12日
URO

URO

URO-Bench 是一个面向端到端语音对话模型的综合评估工具，支持多语言、多轮对话及副语言信息处理。它包含基础和高级两个赛道，分别涵盖16个和20个数据集，覆盖开放性问答、情感生成、多语言任务等。支持多种评估指标，提供简单易用的评估流程，并兼容多种语音对话模型。适用于智能家居、个人助理、语言学习等多个实际应用场景。
AI项目与工具 2025年06月12日
HealthBench

HealthBench

HealthBench是OpenAI推出的开源医疗评估工具，用于衡量大型语言模型在医疗保健领域的表现和安全性。它包含5000个由医生设计的多轮对话，涵盖多种健康场景，并通过多维度评分标准评估模型的准确性、沟通质量等。支持按主题和行为维度进行细分分析，帮助开发者识别模型优势与不足，指导优化方向。适用于模型性能评估、安全测试及医疗AI工具选择。
AI项目与工具 2025年06月11日
WorldSense

WorldSense

WorldSense是由小红书与上海交通大学联合开发的多模态基准测试工具，用于评估大型语言模型在现实场景中对视频、音频和文本的综合理解能力。该平台包含1662个同步视频、3172个问答对，覆盖8大领域及26类认知任务，强调音频与视频信息的紧密耦合。所有数据经专家标注并多重验证，确保准确性。适用于自动驾驶、智能教育、监控、客服及内容创作等多个领域，推动AI模型在多模态场景下的性能提升。
AI项目与工具 2025年06月12日
xbench

xbench

xbench是红杉中国推出的AI基准测试工具，采用双轨评估体系，追踪模型的理论能力上限与实际落地价值。其长青评估机制动态更新测试内容，确保时效性。xbench包含科学问题解答和中文互联网深度搜索两个核心评估集，按季度或每月更新题目。工具还提供垂直领域智能体评测、实时更新与LeaderBoard功能，适用于模型能力评估、真实效用量化、产品迭代指导等场景，推动AI系统在真实场景中的效用提升。
AI项目与工具 2025年06月11日
k0

k0

k0-math是一款基于强化学习和思维链推理技术的新一代数学推理模型，由月之暗面推出。它在多个数学基准测试中表现出色，特别是在中考、高考、考研及竞赛级数学题库中的成绩超越了OpenAI的o1-mini和o1-preview模型。k0-math具备深入思考、规划解题思路以及自我反思优化的能力，适用于教育辅导、在线教育平台、竞赛培训、学术研究及自动化测试与评分等多个场景。
AI项目与工具 2025年06月12日
Not Diamond

Not Diamond

Not Diamond 是一款AI模型路由器，可根据任务需求智能选择最合适的AI模型，提升效率并降低成本。其主要功能包括智能模型选择、性能优化、自定义模型路由器以及快速响应等。Not Diamond 在多个基准测试中表现出色，并提供快速任务执行和智能权衡功能，确保隐私安全。 ---
AI项目与工具 2025年06月12日
Molmo 72B

Molmo 72B

Molmo 72B是一款由艾伦人工智能研究所推出的开源多模态AI模型，集成了图像和文本处理能力，适用于图像描述生成、视觉问答、文档解析及多模态交互等多种任务。凭借其强大的视觉编码能力和先进的模型架构，Molmo 72B在学术基准测试中表现优异，为开源AI技术的发展做出了重要贡献。
AI项目与工具 2025年06月12日
VSI

VSI

VSI-Bench是一种用于评估多模态大型语言模型（MLLMs）视觉空间智能的基准测试工具，包含超过5000个问题-答案对，覆盖多种真实室内场景视频。其任务类型包括配置型任务、测量估计和时空任务，可全面评估模型的空间认知、理解和记忆能力，并提供标准化的测试集用于模型性能对比。 ---
AI项目与工具 2025年06月12日
MSQA

MSQA

MSQA是一个包含251,000个问答对的大规模多模态情境推理数据集，支持文本、图像和点云等多种数据形式，旨在提升具身AI在三维场景中的理解与推理能力。通过设计MSQA和MSNN两个基准测试任务，该工具不仅能够评估模型性能，还能促进具身AI和3D场景理解领域的研究进展。同时，它为开发更强大的情境推理模型提供了丰富的预训练资源。
AI项目与工具 2025年06月12日