HELM

HELM 是斯坦福做的语言模型评测项目，思路是把不同模型放到同一批任务上跑，再用多个指标一起看结果，而不是只给一个总分。这样能看出一个模型在哪些场景稳、哪些场景掉链子。

评测的数据、结果和分析都公开在网站上，可以自己翻着看。做技术选型前想弄清某个模型的能力边界，可以先来这儿对一遍场景。页面偏学术，英文术语多，需要点耐心。