model-evaluation

Ai2 的 fully-open 语言模型家族，公开权重、训练数据、代码、配方、评测与中间检查点，适合重视可复现研究和模型供应链透明度的团队。

CHMv2 是 Meta 与世界资源研究所推出的开放模型与全球树冠高度地图，用于森林和城市树木监测。

OpenAI 发布的真实工作任务评测，覆盖 44 种职业，以专业人员创建的任务、参考材料、交付物和评分标准衡量模型能力。

OpenAI 发布的计算生物学研究级基准，用合成但现实的脏数据任务测试 AI Agent 的分析路径选择、修正与决策判断。

微软研究院面向低资源语言推出的语音模型与评测体系，以 PazaBench、社区测试和模型微调连接数据、指标与真实使用环境。

OpenAI 面向临床专业任务发布的开放评估基准，以医生撰写并复核的对话和逐题评分标准检验模型在诊疗咨询、文书记录与医学研究中的表现。

AlphaGenome 以长 DNA 序列预测多类功能输出并辅助评估变异效应；研究使用需控制输入、版本与证据链，不能直接替代临床判断。

ARC-AGI-2 以少量示例和网格变换任务评估系统对陌生规则的归纳与迁移能力，适合作为推理评测组成部分，而非通用智能单一结论。

BrowseComp 用难检索、短答案任务测试浏览代理的持续搜索与推理能力；使用时应防止数据泄漏，并把它与真实业务评测分开解读。

Evo 2 从大规模基因组序列学习跨物种模式，可用于变异效应评估和序列生成研究，但输出不能替代实验、临床与生物安全审查。

HealthBench 是 OpenAI 发布的医疗对话模型评估基准，以多轮场景和医生编写的细粒度评分标准衡量准确性、安全性、沟通与情境适配，并提供 Consensus 和 Hard 子集及参考实现。

微软研究院的大气基础模型，通过异构地球系统数据预训练与任务微调支持天气、空气质量、海浪和热带气旋预测。

Terminal-Bench 用隔离终端环境和可验证任务评估智能体完成真实工作的能力，适合比较代理系统，但结果高度依赖任务版本与运行环境。

Boltz-1 为蛋白质及相关生物分子结构预测提供开放模型与代码，适合具备计算生物学验证能力的研究团队复现和集成。

Chai-1 将蛋白质、小分子及其他生物分子信息纳入统一结构预测流程，适合科研团队评估候选复合物，但实验验证仍不可替代。

Humanity's Last Exam 用专家级跨学科问题测试前沿模型的知识与推理边界，适合研究比较，但不能单独代表产品可靠性。

SWE-bench Verified 是经人工核验的软件工程评测子集，用于更可靠地衡量模型或 agent 解决真实 GitHub issue 的能力。

SWE-Lancer 用真实自由职业软件工程任务和经济价值衡量模型表现，适合研究编码能力，但不能替代企业代码库中的安全与维护验收。

Stanford CRFM 推出的语言模型整体评测项目，强调用多场景、多指标和透明报告评估模型能力、局限与风险；GitHub 仓库显示其已于 2026-06-01 进入维护模式。

Scale AI 是一家 AI 数据、模型评测与企业/政府 AI 应用基础设施公司，核心能力是用人类专家数据与评测流程帮助模型训练、后训练和部署。