BenchMark·Hub
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
red-team-appsec-benchmark
· Qwovadis
安全对齐越狱攻防
B待确认12.7
ArXivSQA
· AI-dataset-evaluation-team
知识问答考试问答
B待确认12.6
legal-llm-benchmark
· marvintong
垂直领域法律
B待确认12.6
coverbench
· google
推理通用推理
B待确认12.6
BrowseComp
BrowseComp· OpenAI
智能体网页导航
S高可信12.4
cybersec-retrieval-benchmark
· alirezaaminzadeh
垂直领域通用行业
B待确认12.2
InferenceX
· SemiAnalysisAI
性能/成本推理速度
B待确认12.2
WEIRD
· MERA-evaluation
多模态视觉语言
B待确认12.2
humaine-evaluation-dataset
· ProlificAI
安全对齐对齐安全
B待确认12.2
Video-ChatGPT
· mbzuai-oryx
多模态视频
B待确认12.2
llm-colosseum
· OpenGenerativeAI
其他游戏推理
B待确认12.2
music-off-policy-evaluation-benchmark
· amazon
垂直领域音乐
B待确认12.1
ruCLEVR
· MERA-evaluation
多模态视觉语言
B待确认12.1
TARA_Turkish_LLM_Benchmark
· emre
推理通用推理
B待确认12.0
harvey-labs
· harveyai
垂直领域法律
B待确认11.9
denoising-impact-evaluation-dataset
· ekacare
多模态音频
B待确认11.9
sensory-awareness-benchmark
· scarysnake
推理通用推理
B待确认11.9
hippocorpus
· allenai
写作对话对话写作
B待确认11.8
τ²-bench
tau-bench· Sierra
智能体工具调用
S高可信11.8
japanese-image-classification-evaluation-dataset
· recruit-jp
多模态视觉语言
B待确认11.7
LLMBar
· princeton-nlp
推理指令遵循
B待确认11.7
form-field-v1-benchmark
· nutrientdocs
多模态文档/OCR
B待确认11.6
arena-hard-auto
· lmarena
写作对话对话写作
B待确认11.6
StrongREJECT
· 多家
安全对齐越狱攻防
S高可信11.6
Mind2Web
· OSU-NLP-Group
智能体网页导航
B待确认11.5
第 11 / 18 页
上一页下一页