Skip to content
TheChatArchiveThe Chat Archive
Claudeclaude-sonnet-4-20250514-thinking-32k· AnthropicHugging Face LMArena Human Preference 140K

大模型排行榜

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Mistralmistral-medium-2505’s answer.
  1. User

    大模型排行榜

  2. Claude Assistant

    目前有几个主要的大语言模型评测排行榜,用于比较不同模型的性能:

    主要排行榜:

    Chatbot Arena (LMSYS):基于人类评估的排行榜,用户可以与不同模型对话并投票选择更好的回答。这个排行榜被认为是最接近真实使用体验的评测方式。

    Hugging Face Open LLM Leaderboard:基于多个标准化测试集的综合评估,包括常识推理、阅读理解、数学和编程能力等。

    学术基准测试:

    • MMLU(大规模多任务语言理解)
    • HellaSwag(常识推理)
    • ARC(科学推理)
    • GSM8K(数学问题解决)

    中文模型排行榜:

    • C-Eval(中文综合评估)
    • CMMLU(中文大规模多任务评估)

    需要注意的是,我的知识截止到2025年1月,排行榜会频繁更新,具体的最新排名可能已经发生变化。不同的评测方法也可能给出不同的结果,建议查看多个榜单并结合具体使用场景来评估模型性能。

    你想了解哪个特定的排行榜或者某类任务的模型表现吗?

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.