kcores-llm-arena
Kcores-llm-arena 是一个专注于真实场景的大型语言模型评测平台，旨在更准确地反映大模型在实际应用中的表现。与传统以选择题为主的评测方式不同，它通过编程任务、数学计算、创意生成等多样化测试内容，结合人工评分和基准测试，避免了模型针对特定测试进行优化带来的偏差。该工具适合开发者、研究人员以及对AI性能有较高要求的用户使用，尤其适用于需要评估模型实际编程能力和问题解决能力的场景。其技术亮点在于贴近现实的测试设计和多维度的评分机制，能够更全面地展现大模型的真实水平。
使用场景
某软件开发团队正在为一家教育科技公司开发一款基于 AI 的编程学习平台，需要评估不同大模型在实际编程任务中的表现，以决定是否将其集成到产品中。团队希望找到一个能真实反映模型能力的评测工具。
没有 kcores-llm-arena 时
- 缺乏统一的、贴近真实场景的评测标准，导致不同模型的比较缺乏客观依据
- 评测内容多为选择题，容易被优化，无法准确反映模型的实际编程能力
- 需要自行设计测试用例，耗时且难以覆盖全面的编程技能点
- 无法获取权威的模型性能对比数据，影响决策效率
使用 kcores-llm-arena 后
- 直接使用包含 66 个真实编程任务的评测体系，快速获得模型在多种编程语言和场景下的表现
- 通过人工评分与基准测试结合的方式，确保评测结果更贴近实际应用需求
- 节省大量时间成本，无需自行构建测试环境和题目
- 获取清晰的模型排名和性能对比，辅助团队做出更有依据的技术选型
kcores-llm-arena 为开发团队提供了高效、可靠的大模型评测方案，显著提升了技术选型的科学性和准确性。
运行环境要求
- Linux
- macOS
- Windows
需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+
16GB+
快速开始
KCORES 大模型竞技场 - KCORES LLM Arena
简介
现有的大模型评测大多采用选择题形式，这使得模型很容易针对测试进行优化，从而导致评测结果失真。
因此，本评测专注于现实世界场景，结合人工评分与基准测试方法，力求真实还原大模型在实际应用中的表现。
真实世界编程能力测试
- 版本: 2025-04-29
- 优胜者: 👑Gemini-2.5-Pro-Experimental-03-25
评测内容
本次评测共包含4个大项、66个小项（题目），涵盖 Python、Javascript、HTML、CSS、Canvas、WebWorker、计算机图形学、性能优化、需求分析、字符串处理、数学、物理、创意等多个领域。
结论
目前最佳的编程大模型是：👑Gemini-2.5-Pro-Experimental-03-25
那么，除了 Gemini-2.5-Pro 之外，还有哪些优秀的选择呢？答案是 Claude 全家桶——无论是 Claude-3.7 还是 Claude-3.5，都是极为出色的选择。
开源模型中最强的是哪一款？当然是 Qwen3-235B-A22B-Thinking。
DeepSeek 系列又如何呢？答案是 DeepSeek-V3-0324，当然，DeepSeek-R1 也是非常不错的选择。
OpenAI 系列呢？答案是 OpenAI-o1。
至于 Grok……只要用得开心就好啦！
测试子项
旋转七边形内的球体弹跳
曼德博集合与李白诗作融合基准测试
火星任务基准测试
太阳系基准测试
贡献代码
开源项目之所以能够蓬勃发展，正是得益于大家的共同努力，这也是开源的魅力所在。我们诚挚欢迎各位为本项目贡献力量！
PR 提示
- 每个项目的测试需运行三次，将输出文件命名为
{benchmark_name}-{model_name}-{turn-n} - 选取得分最高的输出，并在其文件名后添加
-high-score后缀，例如：benchmark-ball-bouncing-inside-spinning-hexagon-Claude-3.7-Sonnet-Thinking-turn-3-high-score.py - 在项目目录下运行
make all即可生成得分图片；生成环境需安装 Python 3.10。 - 完成后提交 PR 即可。
贡献者
许可证
常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。