chinese-llm-benchmark

ReLE（Really Reliable Live Evaluation for LLM，原名 CLiB）是持续更新的中文大模型评测。按 README 所说，它覆盖 337 个模型，既有商用模型（ChatGPT、GPT-5.2、o4-mini、Gemini 3 Pro、Claude 4.5、文心、Qwen3-Max、百川、讯飞星火、商汤日日新），也有开源模型（Kimi K2、DeepSeek V3.2、MiniMax M2.1、GLM-4.7、Llama 4、Gemma 3、Mistral）。

它评测七个领域和约 300 个细分维度：教育、医疗与心理健康、金融、法律与行政公务、推理与数学计算、语言与指令遵从，以及智能体与工具调用。排行榜包括多模态、综合（另有推理类、商用和开源三个子榜）、细化到具体学科和考试的教育榜、医师等医疗资格榜、金融资格榜、法律和公务员考试榜以及推理子任务榜。除排名外，它还公开了规模超过两百万条的大模型缺陷库供社区分析，并为私有模型提供免费评测。README 为中文，仓库没有声明许可证。