SEED-Bench

多模态大语言模型评估基准

SEED-Bench 多模态大语言模型基准测试评估维度人工智能 Github 开源项目

SEED-Bench是一个全面评估多模态大语言模型的基准测试。它包含28K个多项选择题，涵盖34个评估维度，包括文本和图像生成能力。该项目提供SEED-Bench-H、SEED-Bench-2-Plus等多个版本，分别针对不同评估方面。SEED-Bench为研究人员提供了一个客观比较多模态大语言模型性能的工具。

Github

介绍相关项目

ChemLLMBench - 化学领域大语言模型能力评估的全面基准

ChemLLMBenchGithubNeurIPS 2023化学基准测试大语言模型开源项目

ChemLLMBench是一个评估大语言模型在化学领域能力的全面基准。该项目包含八个化学任务，从分子结构预测到反应产率预测，并提供详细数据集、评估方法和基线模型。ChemLLMBench为研究人员探索大语言模型在化学应用提供重要参考，其研究成果已被NeurIPS 2023数据集与基准赛道接收，彰显学术影响力。

ToolQA - 评估工具增强型大语言模型的开源数据集

GithubToolQA大语言模型工具增强开源项目数据集评估基准

ToolQA是一个开源数据集，专门用于评估工具增强型大语言模型。数据集涵盖8个领域，包含需要综合使用多个工具解答的问题，分为简单和困难两个级别。ToolQA通过人机协作创建，提供了数据统计、下载链接、工具实现和基准代码，为研究人员评估和改进大语言模型的外部工具使用能力提供全面资源。

Multi-Modality-Arena - 完善的多模态模型评估工具，让视觉问答更精准

GithubLVLM LeaderboardLVLM-eHubMulti-Modality ArenaOmniMedVQATiny LVLM-eHub开源项目

Multi-Modality Arena 是一个专注于评估多模态模型的开放平台，支持视觉问答任务的对比测试。平台发布了OmniMedVQA和Tiny LVLM-eHub等评估基准，涵盖广泛的视觉和语言领域。用户可以访问在线演示，参与评估项目，并利用丰富的模型和数据集资源进行性能优化。

lm-evaluation-harness - 统一测试生成式语言模型的多任务评估框架

GPT-NeoXGithubHugging FaceLanguage Model Evaluation HarnessOpen LLM LeaderboardvLLM开源项目

该项目提供统一框架，用于评估生成式语言模型，通过60多个标准学术基准和数百个子任务实现多样化测试。更新包括新的Open LLM Leaderboard任务、内部重构、基于配置的任务创建、Jinja2提示设计支持等高级配置选项，旨在简化和优化模型评估。支持快速高效推理、商业API、本地模型和基准测试。被广泛应用于机构如NVIDIA、Cohere、BigScience等，也支撑了🤗 Hugging Face的Open LLM Leaderboard。

MixEval - 动态更新的大语言模型评测基准

GithubLLM评估MixEval动态评估基准测试开源项目模型排名

MixEval是一个动态更新的大语言模型评测基准，结合现有基准和真实用户查询构建而成。该基准在保持高准确度的同时，实现了快速、低成本和可重复的评测。MixEval提供更全面、公平的查询分布，并通过定期更新机制避免数据污染。作为一个高效可靠的评测工具，MixEval适用于各类大语言模型研究和应用场景。

jailbreakbench - 大语言模型越狱攻防能力评估基准

AI伦理GithubJailbreakBench基准测试安全性开源项目语言模型

JailbreakBench是一个评估大语言模型越狱攻防能力的开源基准。它包含JBB-Behaviors数据集、官方排行榜和越狱字符串存储库,全面追踪越狱攻击和防御进展。研究人员可利用JailbreakBench加载越狱字符串、访问数据集、进行红队测试,以及提交新的攻击和防御方法。该项目为大语言模型安全研究提供了稳定的性能比较平台。

SeaLLM-7B-v2 - 东南亚多语言大模型的新选择

GPT-3.5GithubHuggingfaceSeaLLM-7B-v2东南亚语言多语言开源项目数学推理模型

SeaLLM-7B-v2是一款经过多语言优化的开源大模型，专注于提升东南亚语言的推理能力。与前代 SeaLLM-13B 相比，该模型体积减小一半，但性能表现更出色，特别是在78.2分的GSM8K零样本推理任务中领先同类产品，并在多种语言的数学推理测试中超过GPT-3.5。凭借其稳健的多语言支持和开源特性，SeaLLM-7B-v2在数学推理、常识推理和多语言知识评估等多个领域中展示了强大的应用潜力，成为多语言文化与技术研究的有力工具。

BotChat - 创新评估大语言模型多轮对话能力的基准

BotChat BenchmarkGPT-4GithubLLM对话生成开源项目评估

BotChat基准测试通过分析大语言模型生成的对话评估多轮聊天能力。基于MuTual-Test数据集,该项目生成了大规模模型对话数据,并采用单轮评估、BotChat Arena和人类对话对比等方法全面评估主流LLM对话质量。研究发现GPT-4表现最佳,部分小型开源模型在短对话中也有不错表现。这一创新基准为改进LLM对话能力提供了新思路。

Multimodal-AND-Large-Language-Models - 多模态与大语言模型前沿研究综述

Github人工智能多模态大语言模型开源项目机器学习视觉语言模型

本项目汇总了多模态和大语言模型领域的最新研究进展,涵盖结构化知识提取、事件抽取、场景图生成和属性识别等核心技术。同时探讨了视觉语言模型在推理、组合性和开放词汇等方面的前沿问题。项目还收录了大量相关综述和立场文章,为研究人员提供全面的领域概览和未来方向参考。

T-Eval - 分步骤评估大语言模型工具使用能力的基准测试框架

GithubT-Eval基准测试大语言模型工具使用能力开源项目评估

T-Eval是一个评估大语言模型工具使用能力的基准测试框架。它将评估过程分解为指令遵循、规划、推理、检索、理解和审查等多个子过程，实现了细粒度分析。该项目提供英文和中文评测数据集、测试脚本和排行榜。T-Eval为研究人员和开发者提供了一个深入分析语言模型工具使用能力的新方法。

相关项目

项目侧边栏1

项目侧边栏2

推荐项目

Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com

@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号