LLM相关评测基准与榜单汇总｜Leaderboard

1. LiveBench

• 链接：https://livebench.ai
• 保持更新：✅
• 主办：LiveBench/Abacus.AI 等
• 备注：动态题库、客观打分、避免“LLM裁判”，官方说明每月释出新题/更难题；有论文与数据手册可查。可参考其GitHub仓库（https://github.com/LiveBench/LiveBench/blob/main/README.md）及官方文档（https://livebench.ai/livebench.pdf）。

2. Artificial Analysis

• 链接：https://artificialanalysis.ai/leaderboards/models
• 保持更新：✅
• 主办：Artificial Analysis
• 备注：综合聚合类榜单，包含 MMLU‑Pro、AAII 等多个基准数据，提供性能、价格、速度、上下文长度等多维度对比。详细信息可查看其官方榜单页面（https://artificialanalysis.ai/leaderboards/models）。

3. aider polyglot

• 链接：https://aider.chat/docs/leaderboards/
• 保持更新：✅
• 主办：Aider
• 备注：专注于多语言代码编辑能力的基准，基于 Exercism 平台的 225 道难题构建，覆盖 C++、Go、Java、JavaScript、Python、Rust 六种编程语言，是旧版 Python 代码榜单的替代版本。官方详情可参考（https://aider.chat/docs/leaderboards/）。

4. Chatbot Arena（LMSYS）

• 链接：https://lmarena.ai/leaderboard
• 保持更新：✅
• 主办：LMSYS / UC Berkeley
• 备注：基于人类偏好投票的 Elo 排名体系，已累计覆盖 350 万+ 次投票；除主榜外，还设有 Hard、HARDAuto、Search 等子榜单。相关参考包括 LMArena 官网（https://lmarena.ai/）、《华尔街日报》报道（https://www.wsj.com/tech/ai/the-uc-berkeley-project-that-is-the-ai-industrys-obsession-bc68b3e3）及 LMSYS 技术博客（https://lmsys.org/blog/2024-04-19-arena-hard/）。

5. 司南（OpenCompass）

• 链接：https://github.com/open-compass/opencompass
• 保持更新：✅
• 主办：上海AI实验室 / OpenCompass
• 备注：面向开源模型与 API 模型的统一评测框架，配套有 Compass Academic 学术榜单（部署于 Hugging Face Space）。可通过 GitHub 仓库（https://github.com/open-compass/opencompass）查看源码，或在 Hugging Face（https://huggingface.co/spaces/opencompass/Compass_Academic_Leaderboard）查看学术榜单数据。

6. SuperCLUE

• 链接：https://superclueai.com/
• 保持更新：✅
• 主办：CLUE 团队
• 备注：专注于中文通用能力的综合榜单与评测体系，长期维护更新，是中文大模型评测的重要参考之一。详细评测内容可访问官网（https://superclueai.com/）。

7. AlpacaEval 2.0

• 链接：https://tatsu-lab.github.io/alpaca_eval/
• 保持更新：✅
• 主办：Stanford Tatsu Lab
• 备注：自动化指令跟随偏好评测基准，包含 length‑controlled（长度控制）版本，可有效缓解评测中的“长度偏置”问题。官方榜单（https://tatsu-lab.github.io/alpaca_eval/）及源码（https://github.com/tatsu-lab/alpaca_eval）可在对应平台查看。

8. SWE‑bench（总榜）

• 链接：https://www.swebench.com/
• 保持更新：✅
• 主办：Princeton / SWE‑bench 团队
• 备注：聚焦真实开源项目 issue 修复能力的评测，包含 Verified（验证版）、Lite（精简版）、Multimodal（多模态版）等子榜单，并提供云端提交流程供模型测试。详细排名可参考官网（https://www.swebench.com/）。

9. OpenRouter Rankings

• 链接：https://openrouter.ai/rankings
• 保持更新：✅
• 主办：OpenRouter
• 备注：非纯能力榜单，核心统计 LLM 的使用量/市占率与品类热度，可帮助洞察当前市场中模型的“流行度”趋势。具体数据可查看 OpenRouter 排名页面（https://openrouter.ai/rankings）。

10. HAL（Holistic Agent Leaderboard）

• 链接：https://hal.cs.princeton.edu/
• 保持更新：✅
• 主办：Princeton SAgE
• 备注：专注于 Agent（智能体）能力的总榜，采用多基准评测、成本感知机制及第三方独立评测，可直观查看模型在跨任务、跨数据集场景下的代理能力。官网（https://hal.cs.princeton.edu/）提供完整榜单数据。

11. LLMDB（聚合）

• 链接：https://llmdb.com/benchmarks
• 保持更新：✅
• 主办：LLMDB
• 备注：多基准数据汇总与可视化平台，包含 AIME、LiveCodeBench、BFCL、WMT24、FACTS 等多个专题评测页面，可一站式查看不同基准下的模型表现。详情可访问（https://llmdb.com/benchmarks）。

12. Vals AI Benchmarks

• 链接：https://www.vals.ai/benchmarks
• 保持更新：✅
• 主办：Vals AI
• 备注：聚焦行业/场景化评测的基准，覆盖法律、财税、金融等垂直领域，同时提供公开评测报告，并收录 MGSM、AIME 等学术基准的解析内容。参考资料包括 Vals AI 官网（https://www.vals.ai/home）及《华盛顿邮报》相关报道（https://www.washingtonpost.com/politics/2025/04/22/ai-tools-mostly-fumble-basic-financial-tasks-study-finds/）。

13. Search Arena

• 链接：https://beta.lmarena.ai/leaderboard/search
• 保持更新：✅
• 主办：LMSYS
• 备注：专注于联网问答能力的榜单，核心考察模型的网页检索效率与引用内容的可溯源性，是评估模型实时信息获取能力的重要参考。可访问 beta 版页面（https://beta.lmarena.ai/leaderboard/search）查看排名。

14. Opper TaskBench

• 链接：https://opper.ai/models
• 保持更新：✅
• 主办：Opper Technology AB
• 备注：以任务完成率为核心的实战型基准，评分范围 0.0–1.0，覆盖 Context（上下文理解）、SQL（数据库操作）、Agents（智能体协作）、Normalization（数据标准化）四类任务，同时收录 GPT-5-mini、GPT-5-nano 等小模型的评测数据。详情可参考（https://opper.ai/models）。

15. Roo Code

• 链接：https://roocode.com/evals
• 保持更新：✅
• 主办：Roo Code
• 备注：代码能力评测基准，其使用的练习题与 aider polyglot 几乎一致，可作为代码类基准评测结果的交叉验证参考。具体评测内容可访问（https://roocode.com/evals）。