Ein strukturiertes, offenes Datenset, das Benchmark-Ergebnisse von Sprachmodellen, Kontextfenster-Limits und Anbieterpreise abbildet.
Greifen Sie auf strukturierte JSON-Datensets zu, die Leistungsmetriken, Anbieternkosten und Modellfunktionen vergleichen.
Dieses Repository bietet ein strukturiertes JSON-Datenset zur Evaluierung großer Sprachmodelle. Content-Strategen und Vermarkter können Modell-Kontextfenster, Leistungswerte und API-Preise einsehen, um kosteneffiziente Modelle auszuwählen. Bitte beachten Sie, dass dieses Projekt offiziell veraltet ist und keine aktiven Updates mehr erhält.
Es aggregiert Leistungs-Benchmark-Ergebnisse (wie MMLU, GPQA und MATH), Parameteranzahlen, Kontextlimits und Anbieterpreise in schemavalidierten JSON-Dateien. Das Datenset organisiert Datensätze in dedizierten Verzeichnissen für Modelle, Anbieter und Benchmarks. Sie können diese Dateien direkt einsehen, um benutzerdefinierte Vergleichstools zu erstellen oder die Modelleffizienz zu analysieren.
Es eignet sich für technische Content-Ersteller, Prompt-Ingenieure und Marketing-Operations-Spezialisten, die historische Rohdaten benötigen, um die Modellleistung mit den API-Kosten zu vergleichen. Es ist nicht geeignet für nicht-technische Benutzer, die eine schlüsselfertige SaaS-Plattform suchen, oder Teams, die Live-Feeds mit automatischen Aktualisierungen für Benchmarks benötigen.
Modellmetadaten, Benchmark-Ergebnisse und Preisdetails werden in übersichtlichen, schemavalidierten JSON-Verzeichnissen gespeichert.
Verknüpft spezifische Sprachmodelle mit Anbieterpreisen, Kontextfenster-Parametern und Hardwarekonfigurationen.
Erfasst Modellwerte über etablierte Branchen-Benchmarks hinweg, einschließlich MMLU, GPQA, HumanEval und MATH.
Dateneingabeschemas fördern überprüfbare Zitierlinks für alle eingereichten Leistungsmetriken.
Der Inhalt des Repositorys kann kostenlos heruntergeladen und eingesehen werden. Die einzigen Kosten bestehen aus der Zeit und der Hosting-Infrastruktur, die erforderlich sind, um eigene Parsing-Skripte oder Web-Viewer auszuführen.
877 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Nein, das Repository ist offiziell veraltet. Datenkorrekturen werden nun an den Community-Bereich von llm-stats verwiesen.
Sie können Kontextfenstergrößen und Preise mit Benchmark-Scores vergleichen, um das richtige LLM für die Generierung langer Texte auszuwählen.
Zekai zuerst in Google sehen