一个可重复且透明的基础模型评估框架。
查找包含多种情景、指标和模型的排行榜，支持多模态和模型分级评估。

HELM 是斯坦福 CRFM（基础模型研究中心）开发的开源、全面的基础模型评测框架与网页排行榜crfm-helm....。
重要状态：自 2026‑06‑01 起项目进入维护模式，不再大规模新增评测任务，仅修复 BUG，不再高频更新新模型跑分，但历史榜单全部保留可查阅crfm-helm....。


网站主要子榜单（Leaderboards）
网页包含大量细分基准，覆盖通用、多模态、行业、安全、多语言方向Stanford C...：
通用大模型
HELM Classic：原始论文完整版，任务最全，体量重；
HELM Lite：轻量版，精选 10 个核心任务，快速对比模型基础能力；
HELM Capabilities：新版通用能力榜单，筛选高质量未饱和的测试集；
HELM Instruct：专门评测指令微调模型，带人工绝对评分；
MMLU：标准化 prompt 下的 MMLU 多学科知识测评。
多模态
VHELM：视觉‑语言大模型评测；
HEIM：文生图模型综合评测；
Audio HELM：音频‑语言模型评测。
安全与长上下文
AIR‑Bench：对标各国 AI 监管政策的安全风险评测；
HELM Safety：汇总六大风险维度的安全榜单；
Long Context：长上下文窗口能力评测。
垂直行业
MedHELM：医疗领域评测，由临床专家构建真实医疗任务；
Finance HELM：基于真实金融文档的金融大模型评测；
ToRR：表格推理与鲁棒性评测。
多语言专项
CLEVA：中文大模型评测基准；
SEA‑HELM：东南亚语言评测；
Arabic HELM：阿拉伯语评测。