技术
LLM Benchmark（大模型基准测试）
LLM Benchmark是用于评估大语言模型性能的标准测试集和指标，涵盖语言理解、推理、知识等任务。
详细解释
随着大语言模型发展，需要统一标准比较不同模型能力。LLM Benchmark如GLUE、SuperGLUE、MMLU、HELM等，包含多种任务（问答、推理、翻译等）和评估指标（准确率、F1等）。它们推动模型迭代，但存在数据泄露、饱和等问题。动态基准和人类评估成为补充手段。
别名与相关写法
llm benchmark
相关术语
相关公司
相关资讯
研究绘制14767篇LLM评测论文的设计变迁2026/9/18
观点：最好的 LLM 基准测试是自己写的那个2026/10/27
Dan Luu 撰文探讨智能体编码测试流程与 LLM 基准2026/10/21
独立 LLM 基准榜单上线，追踪 22 个前沿模型2026/10/18
PokerTools Arena：本地 AI 扑克基准测试2026/9/21
开发者推出 LLM 基准测试排行榜验证站 llmverifications2026/10/28
Model Atlas：对比LLM基准测试的工具2026/10/16