FlagEval

智源做的模型评测平台，能横向看各家大模型的表现。

🇨🇳中国北京智源人工智能研究院

待核月访问量 229473AI 模型评测

工具介绍

FlagEval 是智源研究院做的模型评测平台，把各家大模型在不同任务上的表现收集起来放在一起看，方便了解某个模型大概强在哪、弱在哪。

做技术选型的人可以拿它当参考，再配合自己的实际任务验一遍；想自己动手评测的，也能用配套的工具。看结果时留意评测集和版本，别把不同榜单的数字直接横着比。

核心功能

汇总多个大模型在各类任务上的成绩，放在一起看
按能力维度给分，方便横向对照
提供评测相关的工具和资料
面向做模型选型的开发者、研究者

我们的点评本站独立撰写，不代表官方立场。

挑模型前想找个参照、或想自己跑评测的团队，会用到它；缺点是分数受题目集影响，跨榜单直接比意义不大；榜单更新常常滞后于模型迭代，看到的结果未必是最新版本。

同类工具

新榜

查公众号、小红书、抖音账号的影响力榜单，也是品牌找号投放的地方。

H2O EvalGPT

给大模型和 RAG 应用做评测，跑完给你看表现和问题在哪。

HELM

斯坦福做的模型评测项目，把各家语言模型放到同一批任务上比。

AGI-Eval

看各家大模型在各类任务上的评测成绩和原始数据。

OpenCompass

拿同一套考卷测各家大模型，看它们在各项能力上表现如何。