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
code_evaluation_prompts · HuggingFaceH4	代码代码生成	B待确认		11.5	63	—	—
ATLAS · VILA-Lab	推理提示词/查询	B待确认		11.5	—	992	—
scrapinghub-article-extraction-benchmark · allenai	垂直领域通用行业	B待确认		11.4	338	—	—
PIXIU · The-FinAI	垂直领域金融	B待确认		11.3	—	884	—
ruCommonVQA · MERA-evaluation	多模态视觉语言	B待确认		11.3	320	—	—
ruNaturalScienceVQA · MERA-evaluation	多模态视觉语言	B待确认		11.3	317	—	—
wmt-mqm-human-evaluation · RicardoRei	语言/语义翻译	B待确认		11.2	206	—	—
exploitgym · sunblaze-ucb	安全对齐越狱攻防	B待确认		11.2	—	842	—
mittens · google	安全对齐偏见公平	B待确认		10.9	68	—	—
ragu_benchmarks · RaguTeam	长上下文检索上下文	B待确认		10.9	44	—	—
Vision-DeepResearch · Osilly	多模态视觉语言	B待确认		10.8	—	677	—
OpenLane-V2 · OpenDriveLab	多模态视觉语言	B待确认		10.8	—	673	—
mup · allenai	写作对话摘要	B待确认		10.8	95	—	—
codefuse-devops-eval · codefuse-ai	垂直领域通用行业	B待确认		10.8	—	656	—
NTEU_Multilingual_Evaluation_Dataset · BSC-LT	语言/语义翻译	B待确认		10.7	157	—	—
FrontierMath · Epoch AI	数学竞赛数学	S高可信		10.6	—	—	230
LoraxBench · google	语言/语义多语低资源	B待确认		10.6	64	—	—
equity_evaluation_corpus · peixian	安全对齐偏见公平	B待确认		10.5	73	—	—
meta-agents-research-environments · facebookresearch	智能体环境控制	B待确认		10.5	—	547	—
TTS-Voice-Design-Benchmark · BreezeBlue	多模态音频	B待确认		10.3	32	—	—
LLMs-Planning · karthikv792	推理通用推理	B待确认		10.3	—	472	—
phyre · facebookresearch	推理通用推理	B待确认		10.2	—	460	—
mcpmark · eval-sys	智能体工具调用	B待确认		10.2	—	459	—
Visual-CoT · deepcs233	多模态视觉语言	B待确认		10.2	—	446	—
formal-grammar-llm-benchmark · hoisoserious	推理通用推理	B待确认		10.1	176	—	—

第 12 / 18 页

上一页下一页