基准测试

基准测试是用于评估AI模型性能的标准化测试集。常见的包括MMLU（综合知识）、HumanEval（代码生成）、GSM8K（数学推理）、SWE-bench（软件工程）等。LMSYS Chatbot Arena是最具公信力的社区评测平台。