Open LLM Leaderboard 是最大的大模型和數據集社區 HuggingFace 推出的開源大模型排行榜單，基于 Eleuther AI Language Model Evaluation Harness（Eleuther AI語言模型評估框架）封裝。

由于社區在發布了大量的大型語言模型（LLM）和聊天機器人之后，往往伴隨著對其性能的夸大宣傳，很難過濾出開源社區取得的真正進展以及目前的最先進模型。因此，Hugging Face 使用 Eleuther AI語言模型評估框架對模型進行四個關鍵基準測試評估。這是一個統一的框架，用于在大量不同的評估任務上測試生成式語言模型。

Open LLM Leaderboard 的評估基準

• AI2 推理挑戰（25-shot）：一組小學科學問題
• HellaSwag（10-shot）：一個測試常識推理的任務，對人類來說很容易（大約95%），但對SOTA模型來說具有挑戰性。
• MMLU（5-shot）- 用于測量文本模型的多任務準確性。測試涵蓋57個任務，包括基本數學、美國歷史、計算機科學、法律等等。
• TruthfulQA（0-shot）- 用于測量模型復制在在線常見虛假信息中的傾向性。