Benchmark 总览 ¶

LLM / Agent 常见评测基准（benchmark）速查。每个 benchmark 一个文件，统一按「发行时间与论文 → 结构 → 重点测试能力 → 举例」组织。

能力矩阵 ¶

选型建议 ¶

• 评基座模型：MMLU（知识）+ GSM8K（推理）+ HumanEval（代码）是经典三件套。
• 评 Agent 框架 / 工具链：API-Bank（分级诊断）→ BFCL（单点函数调用）→ ToolBench（大规模 API）→ GAIA（端到端）逐级加难；小模型工具化训练参考 ToolAlpaca。
• 评 Coding Agent：HumanEval（函数级）→ SWE-bench（仓库级）→ Terminal-Bench（环境级）。
• 评检索 / 研究能力：HotpotQA（多跳 RAG）→ BrowseComp（深度浏览）。

其他值得了解的 benchmark ¶

参考 ¶

• Open LLM Leaderboard
• LMSYS Chatbot Arena
• Hugging Face Datasets