主流大模型评测基准榜单

大模型评测基准与性能对比

本页面展示了多个主流大模型在各项评测基准上的表现，包括MMLU、GSM8K、HumanEval等多个标准数据集。我们通过实时更新的评测结果，帮助开发者和研究人员了解不同大模型在各种任务下的表现。用户可以选择自定义模型与评测基准进行对比，快速获取不同模型在实际应用中的优劣势。

各个评测基准的详细介绍可见： LLM 评测基准列表与介绍

模型名称	MMLU Pro 知识问答	MMLU 知识问答	GSM8K 数学推理	MATH 数学推理	GPQA Diamond 常识推理	BBH 综合评估	HumanEval 代码生成	MBPP 代码生成	参数数量
Qwen2.5-7B	45.00	74.20	85.40	49.80	36.40	0.00	57.90	74.90	70.0
Gemma 2 - 9B	44.70	71.30	70.70	37.70	32.80	68.20	37.80	62.20	90.0
Llama3.1-8B-Instruct	44.00	68.10	82.40	47.60	26.30	0.00	66.50	69.40	80.0
Llama3.1-8B	35.40	66.60	55.30	20.50	25.80	57.70	33.50	53.90	80.0
Mistral-7B-Instruct-v0.3	30.90	64.20	36.20	10.20	24.70	56.10	29.30	51.10	70.0
DeepSeek-R1-Distill-Qwen-7B	0.00	0.00	0.00	0.00	49.50	0.00	0.00	0.00	70.0