Open LLM Leaderboard v2

为什么重要

HuggingFace 维护的开源 LLM 排行榜。v2 使用 6 个核心基准（IFEval、BBH、MATH Hard、GPQA、MuSR、MMLU-Pro），是开源模型选型的核心参考。

构建方式

1. 整合 6 个高区分度基准
2. 自动化评测流程（任何人都可以提交模型）
3. 统一的评测框架（lm-evaluation-harness）

关联基准

组成基准：IFEval、BBH、MATH、GPQA、MuSR、MMLU-Pro

不足与展望

• 只测开源模型（闭源模型不参与）
• 6 个基准可能不够覆盖所有能力
• 存在过拟合风险——有些模型专门针对这 6 个基准优化