评分 · AI3Radar

已发布 9 项公开评分

让用户匿名比较两个模型的回答并投票，衡量真实用户更偏好哪个模型。

最新评分：2026/9/13 · 20 个品牌

通过需要自主规划和执行的编程任务，衡量模型独立解决代码问题的能力。

最新评分：2026/6/25 · 10 个品牌

通过银行客服中的知识检索、长对话和工具调用，衡量智能体完成真实业务请求的能力。

最新评分：2026/8/3 · 8 个品牌

通过博士专家编写的生物、物理和化学难题，衡量模型的高阶科学知识与推理能力。

最新评分：2026/9/2 · 13 个品牌

通过高难度竞赛数学题，衡量模型的数学推理与解题能力。

最新评分：2026/9/2 · 13 个品牌

通过高难度竞赛数学题，衡量模型的数学推理与解题能力。

最新评分：2026/3/9 · 8 个品牌

通过真实开源项目的 GitHub 问题和测试，衡量模型理解代码仓库并正确修复问题的能力。

最新评分：2026/6/25 · 8 个品牌

通过持续收集的新竞赛编程题，衡量模型生成可通过测试代码的能力，同时降低训练数据污染。

最新评分：2026/3/9 · 8 个品牌

通过真实终端环境中的软件、系统和数据任务，衡量智能体独立操作计算机的能力。

最新评分：2026/7/11 · 6 个品牌