资源简介
[人工智能基准论坛]
相关资源
App-Bench | AI Web App Builder Benchmark
一个评估AI编码代理从单一自然语言提示生成真实Web应用的基准。一次性生成。零人工编辑。
LocalScore - Local AI Benchmark
LocalScore 是一个开放的基准，可以帮助你了解你的计算机在处理本地AI任务方面的能力。
LiveBench 2.0 - A challenging, contamination-free long-horizon AI benchmark
LiveBench 2.0 — 一个具有挑战性且无污染的长期AI基准测试。模型进行实际工作（演示文稿、研究报告、Bug修复、运行数小时的应用程序）并评估它们返回的内容。
VideoWebArena: Evaluating Long Context Multimodal Agents with Video Understanding Web Tasks
VideoWebArena 是一个新颖的、开源的基于视频的基准，用于评估多模态模型处理、理解和利用长上下文视频输入以完成各种网络任务的智能体能力。
Best Models by Success Rate | PinchBench - OpenClaw Benchmark
为你的OpenClaw代理人找到最佳的人工智能模型。在100+ LLMs上比较它们在真实编程任务中的成功率、速度和成本。
Benchmark | AI for Investment Firms
基准测试让你的知识发挥作用——这样你的团队就能更快地行动、做出更好的决策，并且永远不会从零开始。
CLIKA — Compress, Benchmark & Deploy AI Models
CLIKA的ACE引擎可以将任何AI模型压缩到最多90%，速度提高18倍，准确性损失不到1%。几分钟内在任何硬件上部署。
Catastrophic Cyber Capabilities Benchmark (3CB)
3CB 是评估 AI 代理自主网络攻击能力的一个基准。与类似挑战套件不同的是，3CB 使用原创挑战，每个挑战都对应一个真实的演示，并且最重要的是使用系统化的评估类别。
EverMind | Infinite Memory & Long-Term Consistency for AI Agents
EverMind 为 AI 提供连续、近乎无限的记忆和长期身份。发现 EverOS，开源的记忆基础设施、SOTA 测试指标，以及超越当今无状态工具的下一代 AI 模型，这些模型能够进化、理解并协作。
Frontier AI Cybersecurity Observatory
一个由伯克利 RDI 和合作方构建的大规模高质量基准测试观测站，用于衡量 AI 代理处理真实世界漏洞的能力，从发现和复现漏洞到开发有效的利用工具或补丁。
ClawBench — Real-World Browser Agent Benchmark
实时ClawBench排行榜排名AI浏览器代理在130个现实世界任务中。两阶段评分：HTTP请求拦截 + LLM裁判。
GLM-5 Benchmark, Price, API and Architecture | GLM5 Online
GLM5 Online 将 GLM-5 基准得分、API 价格、架构细节和上下文窗口规格集合在一起。在一个地方评估模型能力、规划集成和估算生产成本。
MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI
一个面向专家级通用人工智能的大规模多学科多模态理解与推理基准
LLMEval — Comprehensive LLM Evaluation
LLMEval 是一个致力于构建全面、公平且强大的大型语言模型评估框架的研究系列。
BackdoorBench
BackdoorBench 是一个用于评估后门攻击和防御的综合基准。