HELM 的全称是语言模型整体评测，由斯坦福大学基础模型研究中心（CRFM）维护。它和只看单个榜单分数的评测不同：同一批模型要在问答、阅读理解、摘要、情感分析等众多场景任务上统一受测，每个场景除了准确性，还同时报告校准度、鲁棒性、公平性、偏见、毒性和推理效率等指标，让模型的短板和代价一并显形。所有提示词、模型输出和分数都对外公开，任何人都能复查某个成绩是怎么得来的，历代版本的榜单也持续更新。它适合正在研发或采购大模型的团队和研究者：选型时可以按自己业务最接近的场景筛选，再对比候选模型在公平性、毒性等维度上的风险；做模型迭代时能定位能力退步发生在哪类任务上；关注行业进展的读者也可以通过它的历次结果观察主流模型的演进。它是学术评测项目，结果更适合当作多维参考，而不是单一的购买结论。

类似网站

AGI-Eval

AGI-Eval是一个AI大模型评测社区，围绕大语言模型的能力评测展开，汇集模型评测与对比参考，帮助用户横向了解不同模型的综合表现，适合关注大模型能力排名与选型的研究者、开发者和行业观察者。

Open LLM Leaderboard

Open LLM Leaderboard 是 Hugging Face 社区维护的开源大模型排行榜，基于多项公开基准对开源模型统一评测排名，可按规模、类型筛选对比，也支持提交模型参评。适合大模型开发者、研究者与做开源模型选型的团队。

MMLU

MMLU 是衡量大语言模型综合知识的经典英文基准，包含约一万六千道多项选择题，覆盖 57 个学科，从基础数学、历史到专业法律、医学都有涉及。它在零样本和少样本设置下测试模型在预训练阶段学到的知识，成绩被各大模型发布时广泛引用，是观察模型通用能力的重要参照。

SuperCLUE

SuperCLUE 是中文通用大模型综合性测评基准，由 CLUE 团队推出，从语言理解与生成、知识应用、专业能力、安全性等维度评测中文大模型。它包含多轮开放式、客观题和匿名对战三大基准并按月更新榜单，适合模型研发团队和关注中文大模型进展的研究者参考。

PubMedQA

PubMedQA 是面向生物医学研究问答的数据集与评测基准，要求模型依据论文摘要对研究问题给出是、否或不确定的判断，包含专家标注与大规模自动生成的问答样本，并设有公开模型排行榜，适合医疗 AI 研究者评测与比较模型能力。

FlagEval

FlagEval（天秤）是智源研究院推出的大模型评测平台，为语言、多模态等各类模型提供统一的评测体系与公开排行榜，用户可以查看不同模型在多项能力上的成绩对比，也能提交模型参与评测，适合关注大模型能力进展的研究人员、企业选型团队和开发者。

LLMEval3

LLMEval3是复旦大学自然语言处理实验室推出的大语言模型评测基准，对大模型开展系统化能力评估并汇总展示参评模型的评测结果，帮助研究者横向对比不同模型的表现差异。适合从事大模型研发、选型与学术研究的人员查阅，作为判断模型能力的参考之一。

C-Eval

C-Eval 是面向大语言模型的多层次、多学科中文评估套件，以中文考试题为核心组织测试，覆盖 STEM、社会科学、人文科学等门类，并设有高难度子集。它提供公开排行榜，分别列出公开访问与受限访问模型在零样本、少样本设置下的成绩，适合研究者横向比较中文大模型能力。

OpenCompass

OpenCompass（司南）是上海人工智能实验室推出的大模型开源评测体系，提供覆盖学科知识、语言、推理等多维度能力的评测基准与公开排行榜。它支持主流开源与商用模型的统一评测，适合模型研发团队做能力对比与选型参考，也方便研究者跟踪大模型进展。