| Benchmark | 测评分类 | 可信级别 | 开放 | 热度 |
|---|---|---|---|---|
ai2_arc ARC· allenai | 知识问答考试问答 | B待确认 | 54.7 | |
GPQA Diamond GPQA· NYU 等 | 知识问答考试问答 | S高可信 | 46.0 | |
sciq · allenai | 知识问答考试问答 | B待确认 | 45.2 | |
Humanity's Last Exam HLE· CAIS + Scale AI | 知识问答考试问答 | S高可信 | 40.3 | |
qasc · allenai | 知识问答考试问答 | B待确认 | 36.1 | |
ArXivSQA · AI-dataset-evaluation-team | 知识问答考试问答 | B待确认 | 12.6 |