EEE-Bench
EEE-Bench ir novērtēšanas komplekts, kas izstrādāts, lai pārbaudītu AI modeļu precizitāti specializētās tehniskās jomās. Tas koncentrējas uz inženieriju, ene...
BenchmarkBenchmarks
MR-Ben: A Meta-Reasoning Benchmark
MR-Ben ir atvērtā pirmkoda novērtēšanas komplekts, kas izstrādāts, lai novērtētu meta-spriešanas un 2. sistēmas domāšanas spējas lielajos valodu modeļos (LLM...
Benchmark SimpleBench
SimpleBench ir vairāku izvēļu tekstu novērtējums, kas izstrādāts, lai novērtētu lielos valodas modeļus (LLM) attiecībā uz loģisko domāšanu, sociālo inteliģen...
Benchmark EffiBench
EffiBench ir Hugging Face mitināta etalonvērtējumu līderu tabula, kas novērtē AI modeļu efektivitāti. Tā mēra divus galvenos veiktspējas rādītājus: izpildes...
Benchmark Indic LLM Leaderboard
Indic LLM līderu saraksts ir daudzvalodu novērtēšanas etalons, ko 2024. gadā izveidoja CognitiveLab, lai novērtētu lielo valodu modeļu veiktspēju angļu valod...
Benchmark Indic LLM Arena
Indic LLM Arena ir pūļa avotos balstīts, cilvēka iesaistīts līderu saraksts, ko izstrādājusi AI4Bharat IIT Madras, uzsākts 2025. gadā, lai novērtētu lielos v...
Benchmark Geekbench AI Benchmark
Geekbench AI ir starpplatformu etalons, ko izstrādājusi Primate Labs, un kas mēra AI secināšanas (inference) veiktspēju mobilajās un planšetdatoru ierīcēs, k...
Benchmark AI BENCHY Leaderboard
AI BENCHY reitinga platforma ir daudzvalodu novērtēšanas platforma, kas vērtē un rangē AI valodas modeļus astoņās testu kategorijās, tostarp vispārējā inteli...
Benchmark lm-evaluation-harness-pt
lm-evaluation-harness-pt ir portugāļu valodas novērtēšanas komplekts, kas ir atzars no EleutherAI lm-evaluation-harness, izstrādāts eduagarcia vadībā AI izci...
Benchmark ARC Prize Leaderboard
ARC Prize līderu saraksts ir publisks salīdzinošās novērtēšanas resurss, ko uztur ARC Prize Foundation, un tas izseko AI sistēmu sniegumu ARC-AGI-1 un ARC-AG...
Benchmark MASK
MASK (Model Alignment between Statements and Knowledge) ir etalons, ko 2025. gadā izstrādāja Scale AI sadarbībā ar Center for AI Safety (CAIS), lai novērtētu...
Benchmark LiveCodeBench
LiveCodeBench ir piesārņojumu nesaturošs etalons, kas izstrādāts, lai novērtētu lielos valodas modeļus programmēšanas uzdevumos, izmantojot problēmas, kas ie...
Benchmark Aider LLM Leaderboards
Aider LLM Leaderboards ir etalons, kas izstrādāts, lai novērtētu lielos valodu modeļus pēc to spējas rakstīt un rediģēt kodu bez cilvēka iejaukšanās. Tas izm...
Benchmark SWE-bench
SWE-bench ir etalons, ko izstrādājušas Prinstonas Universitāte un Stenfordas Universitāte, lai novērtētu AI sistēmu spēju atrisināt reālas programmatūras inž...
Benchmark Open LLM Leaderboard
Open LLM Leaderboard ir publiska etalonuzdevumu (benchmark) platforma, ko 2023. gadā izveidoja Hugging Face, un kas apkopo un salīdzina atvērtā pirmkoda liel...
Benchmark GAIA Benchmark
GAIA (General AI Assistants) ir angļu valodā izstrādāts etalons, kas paredzēts, lai novērtētu AI palīgu reālās pasaules spriešanas un uzdevumu izpildes spēja...
Benchmark SEAL Showdown
SEAL Showdown ir cilvēku priekšroku reitingu sistēma, ko izstrādājusi Scale AI, kas rangē lielos valodas modeļus, pamatojoties uz aklu, organisku pāru balsoš...
Benchmark