搜索开放度全部开放度开放需申请闭集未知可信级别全部可信级别S · 高可信A · 已审核B · 待确认应用筛选

共 450 个 benchmark

排序:热度增速下载量Stars被引最新名称

Benchmark	测评分类	可信级别	开放	热度	下载(30d)	Stars	被引
mslr2022 · allenai	垂直领域医疗	B待确认		14.8	342	—	—
WebArena WebArena· CMU	智能体网页导航	S高可信		14.7	—	—	1,882
whichllm · Andyyyy64	性能/成本硬件平台	B待确认		14.6	—	6,501	—
AIGC-Detection-Benchmark · TheKernel01	多模态视觉语言	B待确认		14.6	1,737	—	—
code_x_glue_cc_clone_detection_poj104 · google	代码代码生成	B待确认		14.6	425	—	—
AIME25 · TIGER-Lab	数学竞赛数学	B待确认		14.5	839	—	—
VisPlotBench · TIGER-Lab	代码代码生成	B待确认		14.4	275	—	2
ConvApparel · google	智能体工具调用	B待确认		14.4	139	—	1
HarmBench · CAIS	安全对齐越狱攻防	S高可信		14.3	—	—	1,467
indic-queries-2026 · mast-benchmark	智能体工具调用	B待确认		14.2	247	—	—
autocodearena-v0 · bigcode	代码代码生成	B待确认		14.1	115	—	5
Crab-role-playing-evaluation-benchmark · HeAAAAA	写作对话对话写作	B待确认		14.1	1,329	—	—
bigcodereward · bigcode	代码代码生成	B待确认		14.0	108	—	5
movie_rationales · eraser-benchmark	语言/语义分类	B待确认		13.9	415	—	—
RULER · NVIDIA	长上下文针检索	S高可信		13.9	—	—	1,211
turkish_political_position_benchmark · samliumay	语言/语义分类	B待确认		13.8	161	—	—
chinese-writing-benchmark · zake7749	写作对话对话写作	B待确认		13.8	205	—	—
turkish_cyber_security_controls_benchmark · samliumay	垂直领域通用行业	B待确认		13.7	127	—	—
multilingual-queries-2026 · mast-benchmark	智能体工具调用	B待确认		13.4	168	—	—
wmt-da-human-evaluation-long-context · ymoslem	长上下文长文档	B待确认		13.4	270	—	—
NuosuBburma-OCR-Evaluation-Set · nanxidajun	多模态文档/OCR	B待确认		13.4	616	—	—
chain-of-thought-hub · FranxYao	推理通用推理	B待确认		13.2	—	2,775	—
SenseNova-Vision-Benchmark · sensenova	多模态视觉语言	B待确认		13.0	105	—	0
TTS-Voice-Direction-Benchmark · BreezeBlue	多模态音频	B待确认		13.0	132	—	—
TACT · google	推理通用推理	B待确认		12.9	16	—	9

第 10 / 18 页

上一页下一页