汇集文本对话、联网搜索、多模态视觉与文档分析四大基准,全面评估大语言模型在真实人类盲测中的表现。
覆盖日常对话、数学、编程等 29 个细分维度的 LLM 排名
具备联网检索能力的 AI 搜索模型综合实力排名
图像理解、OCR、图表推理与视觉问答能力排名
长文本与复杂文档解析理解能力排名