产品库

开源AI人味化工具基准测试，每月评测11款工具在7类AI检测器下的综合表现。

AI Humanizer Benchmark 是一个公开、独立、可复现的 AI 人味化（去AI检测）工具评测平台。它本身不是写作工具，而是对市面上的 AI Humanizer 进行每月周期性测试的基准项目。测试固定使用 33 段新生成的文本，覆盖邮件、论文、博客等文体，以默认设置让 11 款人味化工具重写，再交给 GPTZero、Originality.ai、Copyleaks、Winston AI、ZeroGPT、QuillBot、Grammarly 等 7 款商业 AI 检测器评判。综合评分由绕过率（42%）、意义保留（32%）、可读性（16%）和跨文体一致性（10%）构成，并对语义漂移、输出长度异常、拒绝改写等质量问题进行扣分。网站发布完整原始数据、每个检测器的判定、GitHub 公共仓库和审计包，允许任何人复核或重建排行榜。该基准由 UndetectedGPT 团队运营，UndetectedGPT 同样参与排名，因此网站主动披露利益冲突并保持全流程透明。站内没有任何赞助位或联盟链接，不收厂商竞价，排名仅由测试结果决定。产品页面免费开放，定位是帮助教育工作者、内容创作者、研究人员和普通用户客观比较 AI 人味化工具，同时揭示检测器的真实弱点。

AI数学极限测试基准

FrontierMath是一个数学基准测试平台，旨在测试人工智能在解决复杂数学问题上的能力极限。它由超过60位数学家共同创建，覆盖了从代数几何到Zermelo-Fraenkel集合论的现代数学全谱。FrontierMath的每个问题都要求专家数学家投入数小时的工作，即使是最先进的AI系统，如GPT-4和Gemini，也仅能解决不到2%的问题。这个平台提供了一个真正的评估环境，所有问题都是新的且未发表的，消除了现有基准测试中普遍存在的数据污染问题。

跨平台AI性能基准测试工具

Geekbench AI 是一款使用真实世界机器学习任务来评估AI工作负载性能的跨平台AI基准测试工具。它通过测量CPU、GPU和NPU的性能，帮助用户确定他们的设备是否准备好应对当今和未来的尖端机器学习应用。

开源AI芯片性能基准测试平台

FlagPerf是由智源研究院联合AI硬件厂商共建的一体化AI硬件评测引擎，旨在建立以产业实践为导向的指标体系，评测AI硬件在软件栈组合（模型+框架+编译器）下的实际能力。该平台支持多维度评测指标体系，覆盖大模型训练推理场景，并支持多训练框架及推理引擎，连接AI硬件与软件生态。

衡量Android设备AI性能和质量的基准测试工具

Procyon AI Inference Benchmark for Android是一款基于NNAPI的基准测试工具，用于衡量Android设备上的AI性能和质量。它通过一系列流行的、最先进的神经网络模型来执行常见的机器视觉任务，帮助工程团队独立、标准化地评估NNAPI实现和专用移动硬件的AI性能。该工具不仅能够测量Android设备上专用AI处理硬件的性能，还能够验证NNAPI实现的质量，对于优化硬件加速器的驱动程序、比较浮点和整数优化模型的性能具有重要意义。

个人电脑AI性能基准测试

MLPerf Client是由MLCommons共同开发的新基准测试，旨在评估个人电脑（从笔记本、台式机到工作站）上大型语言模型（LLMs）和其他AI工作负载的性能。该基准测试通过模拟真实世界的AI任务，提供清晰的指标，以了解系统如何处理生成性AI工作负载。MLPerf Client工作组希望这个基准测试能够推动创新和竞争，确保个人电脑能够应对AI驱动的未来挑战。

用于衡量设备 AI 加速器推理性能的基准测试工具。

Procyon AI Image Generation Benchmark 是一款由 UL Solutions 开发的基准测试工具，旨在为专业用户提供一个一致、准确且易于理解的工作负载，用以测量设备上 AI 加速器的推理性能。该基准测试与多个关键行业成员合作开发，确保在所有支持的硬件上产生公平且可比较的结果。它包括三个测试，可测量从低功耗 NPU 到高端独立显卡的性能。用户可以通过 Procyon 应用程序或命令行进行配置和运行，支持 NVIDIA® TensorRT™、Intel® OpenVINO™ 和 ONNX with DirectML 等多种推理引擎。产品主要面向工程团队，适用于评估推理引擎实现和专用硬件的通用 AI 性能。价格方面，提供免费试用，正式版为年度场地许可，需付费获取报价。

医疗领域检索式问答基准测试

Benchmark Medical RAG是一个专注于医疗领域的检索式问答（Retrieval-Augmented Generation）基准测试平台。它提供了一系列的数据集和评估工具，旨在推动医疗信息检索和生成模型的研究。

长视频理解基准测试

LVBench是一个专门设计用于长视频理解的基准测试，旨在推动多模态大型语言模型在理解数小时长视频方面的能力，这对于长期决策制定、深入电影评论和讨论、现场体育解说等实际应用至关重要。

对视觉生成模型进行基准测试

GenAI-Arena是一个用于在野外对视觉生成模型进行基准测试的平台。用户可以匿名参与竞技，对比目标模型的表现，并投票选出更优秀的模型。平台支持不同领域的匿名模型对决，帮助用户找到最佳的条件图像生成模型。用户可以点击“New Round”开始新的对决，并通过点击按钮投票选择更优秀的模型。

专业用户的性能测试基准套件

Procyon是由UL Solutions开发的一套性能测试基准工具，专为工业、企业、政府、零售和媒体的专业用户设计。Procyon套件中的每个基准测试都提供了一致且熟悉的体验，并共享一套共同的设计和功能。灵活的许可模式意味着用户可以根据自己的需求选择适合的单个基准测试。Procyon基准测试套件很快将提供一系列针对专业用户的基准测试和性能测试，每个基准测试都针对特定用例设计，并尽可能使用真实应用。UL Solutions与行业合作伙伴紧密合作，确保每个Procyon基准测试准确、相关且公正。

用于评估Windows PC或Apple Mac上AI推理引擎性能的基准测试工具。

Procyon AI Computer Vision Benchmark是由UL Solutions开发的一款专业基准测试工具，旨在帮助用户评估不同AI推理引擎在Windows PC或Apple Mac上的性能表现。该工具通过执行一系列基于常见机器视觉任务的测试，利用多种先进的神经网络模型，为工程团队提供独立、标准化的评估手段，以便他们了解AI推理引擎的实施质量和专用硬件的性能。产品支持多种主流的AI推理引擎，如NVIDIA® TensorRT™、Intel® OpenVINO™等，并可比较浮点和整数优化模型的性能。其主要优点包括易于安装和运行、无需复杂配置、可导出详细结果文件等。产品定位为专业用户，如硬件制造商、软件开发者和科研人员，以助力他们在AI领域的研发和优化工作。

对比AI模型能力、价格、速度及基准，助您选最佳LLM。

LLMBoard是一个专注于大型语言模型（LLM）排名与评估的网站。其重要性在于为用户提供了一个统一的平台，以便在众多LLM中进行比较和选择。该平台的主要优点是提供全面的LLM信息，包括能力、价格、运行速度和基准测试结果。背景信息显示，它涵盖了1224个模型和729个基准测试。价格方面，不同的模型有不同的输入价格和运行成本。平台定位是帮助用户找到适合各种任务的最佳LLM，如编码、推理、数学计算等。

AI文本生成性能测试工具

Procyon AI Text Generation Benchmark 是一款专门用于测试和评估AI本地大型语言模型（LLM）性能的基准测试工具。它通过与AI软硬件领域的领导者紧密合作，确保测试能够充分利用系统中的本地AI加速硬件。该工具简化了PC性能比较和成本合理化，验证和标准化PC性能，并简化IT团队的PC生命周期管理，允许快速做出决策，以提供PC性能，降低硬件成本，节省测试时间。

AI测试平台

Webo.Ai是一个易于使用、功能强大的测试平台，可以帮助您节省时间和资源。通过Webo.Ai，您可以自动化测试，减少测试时间，降低生产缺陷，并提高代码覆盖率。我们提供快速设置、AI生成测试用例、自动化准备等功能。试用期内，您将获得快速设置、AI生成测试用例、自动化准备等功能，并享受免费的回归测试和自愈功能。价格优势，将帮助您降低QA成本。

高性能语言模型基准测试数据集

DCLM-baseline是一个用于语言模型基准测试的预训练数据集，包含4T个token和3B个文档。它通过精心策划的数据清洗、过滤和去重步骤，从Common Crawl数据集中提取，旨在展示数据策划在训练高效语言模型中的重要性。该数据集仅供研究使用，不适用于生产环境或特定领域的模型训练，如代码和数学。

衡量语言模型回答事实性问题能力的基准测试

SimpleQA是OpenAI发布的一个事实性基准测试，旨在衡量语言模型回答简短、寻求事实的问题的能力。它通过提供高正确性、多样性、挑战性和良好的研究者体验的数据集，帮助评估和提升语言模型的准确性和可靠性。这个基准测试对于训练能够产生事实正确响应的模型是一个重要的进步，有助于提高模型的可信度，并拓宽其应用范围。

多智能体任务规划与推理的基准测试

PARTNR是由Meta FAIR发布的一个大规模基准测试，包含100,000个自然语言任务，旨在研究多智能体推理和规划。PARTNR利用大型语言模型（LLMs）生成任务，并通过模拟循环来减少错误。它还支持与真实人类伙伴的AI代理评估，通过人类在环基础设施进行。PARTNR揭示了现有基于LLM的规划器在任务协调、跟踪和从错误中恢复方面的显著局限性，人类能解决93%的任务，而LLMs仅能解决30%。

综合表格数据学习工具箱和基准测试

LAMDA-TALENT是一个综合的表格数据分析工具箱和基准测试平台，它集成了20多种深度学习方法、10多种传统方法以及300多个多样化的表格数据集。该工具箱旨在提高模型在表格数据上的性能，提供强大的预处理能力，优化数据学习，并支持用户友好和适应性强的操作，适用于新手和专家数据科学家。

智能AI写作检测系统，保障文本原创性和学术诚信

龙源AI检测系统是一款利用大数据和人工智能技术，为学术研究、教育评估、文化传媒等领域提供服务的高科技产品。该系统能够高精度地检测出AI生成的文本和抄袭内容，无论文本长度、类型和语境的限制。系统采用分布式计算和云端部署技术，快速响应和处理大量的文本请求，并自动识别和过滤出有效的文本，提高检测效率和准确度。

AI检测与AI人性化的免费工具

Tenorshare AI Bypass是一款帮助用户将AI内容转化为类人化、不易被检测的文本的工具。它可以有效地提升内容质量，通过AI检测器，帮助用户规避检测，使内容更加真实、人性化。产品价格分为多个档次，用户可以根据需求选择不同的订阅计划。

知识编辑基准测试，用于评估大型语言模型的知识编辑方法。

KnowEdit是一个专注于大型语言模型（LLMs）的知识编辑基准测试。它提供了一个综合的评估框架，用于测试和比较不同的知识编辑方法在修改特定领域内LLMs行为时的有效性，同时保持跨各种输入的整体性能。KnowEdit基准测试包括六个不同的数据集，涵盖了事实操作、情感修改和幻觉生成等多种编辑类型。该基准测试旨在帮助研究者和开发者更好地理解和改进知识编辑技术，推动LLMs的持续发展和应用。

研究项目，探索自动语言模型基准测试中的作弊行为。

Cheating LLM Benchmarks 是一个研究项目，旨在通过构建所谓的“零模型”（null models）来探索在自动语言模型（LLM）基准测试中的作弊行为。该项目通过实验发现，即使是简单的零模型也能在这些基准测试中取得高胜率，这挑战了现有基准测试的有效性和可靠性。该研究对于理解当前语言模型的局限性和改进基准测试方法具有重要意义。

专为 AI 原生开发打造的自主 QA 测试平台，通过浏览器插件实现自动化回归测试。

Shiplight AI 是一款针对现代 AI 原生应用开发的自动化校验平台。它通过将浏览器插件集成到开发者的编码 Agent（如 MCP）中，实现在构建过程中实时验证 UI 更改。该产品的核心价值在于将原本繁琐的 QA 流程左移到开发阶段，通过自然语言描述自动生成稳定的回归测试用例。其技术亮点在于“自我修复”能力，能够应对 UI 变动而不产生脆性脚本，显著降低了维护成本。产品定位于高增长科技公司和企业级团队，旨在将 E2E 覆盖速度提高 10 倍，确保在快速迭代中不破坏现有功能。

用于评估文本到视觉生成的创新性指标和基准测试

Evaluating Text-to-Visual Generation with Image-to-Text Generation提出了一种新的评估指标VQAScore,能够更好地评估复杂的文本到视觉生成效果,并引入了GenAI-Bench基准测试集。VQAScore基于CLIP-FlanT5模型,能够在文本到图像/视频/3D生成评估中取得最佳性能,是一种强大的替代CLIPScore的方案。GenAI-Bench则提供了包含丰富组合语义的实际场景测试文本,可用于全面评估生成模型的性能。

机器学习工程能力的AI代理评估基准

MLE-bench是由OpenAI推出的一个基准测试，旨在衡量AI代理在机器学习工程方面的表现。该基准测试汇集了75个来自Kaggle的机器学习工程相关竞赛，形成了一套多样化的挑战性任务，测试了训练模型、准备数据集和运行实验等现实世界中的机器学习工程技能。通过Kaggle公开的排行榜数据，为每项竞赛建立了人类基准。使用开源代理框架评估了多个前沿语言模型在该基准上的表现，发现表现最佳的设置——OpenAI的o1-preview配合AIDE框架——在16.9%的竞赛中至少达到了Kaggle铜牌的水平。此外，还研究了AI代理的各种资源扩展形式以及预训练污染的影响。MLE-bench的基准代码已经开源，以促进未来对AI代理机器学习工程能力的理解。

自动化AI代理测试工具

NotHotDog是一个专注于自动化测试AI代理和语音AI应用的平台。它通过提供自动化、可复用的语音测试案例，简化了对语音API、WebSocket API以及对话AI系统的测试和监控，从而加速功能部署并提高产品质量。

AI内容检测和ChatGPT抄袭检测

AI内容检测器是一个免费的AI内容检测和ChatGPT抄袭检测工具，可以检查任何ChatGPT生成的内容和AI生成的文本。它基于文本内容被AI工具或软件生成的可能性，提供一个估计的百分比分数。此外，它还可以统计单词数量。使用简单且完全免费。

免费AI内容检测和ChatGPT抄袭检测

AI内容检测器是一款免费的AI内容检测和ChatGPT抄袭检测工具，可以检查ChatGPT生成的内容和其他AI生成的文本，提供生成概率百分比得分。此外，它还可以计算字数。

确保文本原创性，防止抄袭的AI检测工具。

AI文本检测器是一款专业的AI检测工具，利用先进的AI技术，为用户提供文本原创性检测服务。它通过多种检测模型，如Chatgpt Detector Roberta、Roberta-Large OpenAI Detector和Roberta Academic Detector，确保检测结果的准确性和可靠性。该工具不仅免费使用，还支持多语言，响应速度快，并且强调用户隐私和数据安全。