基准任务涵盖了 多领域（如语言理解、数学、推理、编程、医学等）和 多能力维度（如事实检索、计算、代码生成、链式推理、多语言处理）。常用于模型发布时的对比评测，例如 GPT-4、Claude、Gemini、Mistral 等模型的论文或报告中。
| Benchmark | 简介 | 用途 | 地址 | 许可证 |
|---|---|---|---|---|
| MMLU | Massive Multitask Language Understanding | 测试模型在多学科考试（如历史、法律、医学等）中的表现 | https://arxiv.org/abs/2009.03300, https://github.com/hendrycks/test | MIT License |
| MATH | Mathematical Problem Solving | 测试模型解决中学和大学级数学问题的能力 | https://arxiv.org/abs/2103.03874, https://github.com/hendrycks/math | MIT License |
| GPQA | Graduate-level, Google-proof Q&A | 高阶、无法通过搜索引擎解答的物理问答题 | https://arxiv.org/abs/2311.12022, https://github.com/idavidrein/gpqa/ | MIT License |
| DROP | Discrete Reasoning Over Paragraphs | 阅读理解测试，侧重数值运算、推理和信息整合 | https://arxiv.org/abs/1903.00161, https://allenai.org/data/drop | Apache 2.0 |
| MGSM | Multilingual Grade School Math | 多语言小学数学题，考察链式思维能力 | https://arxiv.org/abs/2210.03057, https://github.com/google-research/url-nlp | CC-BY 4.0 |
| HumanEval | Code Generation and Evaluation | 模型在 Python 编程题上的代码生成与准确性测试 | https://arxiv.org/abs/2107.03374, https://github.com/openai/human-eval | MIT License |
| SimpleQA | Short-form Factuality Benchmark | 测试模型对简单事实问答（如"地球离太阳多远？"）的准确性 | https://openai.com/index/introducing-simpleqa | MIT License |
| BrowseComp | Web-based Browsing Agent Task | 测试具有浏览网页能力的智能体在任务场景中的能力 | https://openai.com/index/browsecomp | MIT License |
| HealthBench | Health-related LLM Evaluation | 面向医疗健康场景的模型能力评估，强调事实准确性和安全性 | https://openai.com/index/healthbench | MIT License |