10.7 参考文档
LLM 评测排行榜
- LMSYS Chatbot Arena：由社区驱动的最佳 LLM 与 AI 聊天机器人评测平台
- Vellum LLM 对比排行榜
- Berkeley 函数/工具调用排行榜：评测 LLM 准确调用函数（即工具）的能力，采用真实世界数据，定期更新。
- Galileo 智能体排行榜：评测 LLM 在智能体场景下的表现。第二版已同步上线。
评测基准测试
- VisualWebArena：面向多模态智能体的基准测试
- GAIA：HF 通用 AI 智能体基准测试
- OSWorld 多模态智能体基准测试：在真实计算机环境中对开放式任务的多模态智能体进行基准评测
- SWE-Bench：用于测试系统自动解决 GitHub Issue 能力的数据集
LLM 推理基准测试研究
- Inference Benchmarking of Large Language Models on AI Accelerators（大语言模型在 AI 加速器上的推理基准测试）：LLM-Inference-Bench，一套综合性基准测试套件，评测各类 llama 风格 LLM 在当前主流 AI 加速器上的推理性能
