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
nyt-connections · lechmazur	推理游戏推理	B待确认		9.1	—	239	—
HumanEval+ HumanEval· EvalPlus	代码代码生成	A已审核		9.1	—	—	—
DyCodeEval · SeekingDream	代码代码生成	B待确认		9.0	—	225	—
llm-cold-start-benchmark · ArchCoder	性能/成本推理速度	B待确认		9.0	65	—	—
BRIGHT · xlang-ai	长上下文检索上下文	B待确认		8.9	—	211	—
llm-redactor-leak-benchmark · jayluxferro	安全对齐对齐安全	B待确认		8.9	93	—	0
BFCL (Berkeley Function Calling) BFCL· UC Berkeley	智能体工具调用	S高可信		8.9	—	—	—
llm-medical-reasoning-steps-benchmark · medreason	垂直领域医疗	B待确认		8.8	60	—	—
kazakhstan-sociology-llm-benchmark · lesakbota	垂直领域通用行业	B待确认		8.8	59	—	—
combine-llm-security-benchmark · tuandunghcmut	安全对齐越狱攻防	B待确认		8.8	33	—	—
Thai-Semantic-Textual-Similarity-Benchmark · mrp	语言/语义语义相似度	B待确认		8.7	43	—	—
Aider Code Editing Aider· Aider	代码代码生成	A已审核		8.7	—	—	—
llm_physical_safety_benchmark · kumitang	安全对齐对齐安全	B待确认		8.6	82	—	—
mup-full · allenai	写作对话摘要	B待确认		8.6	41	—	—
MedXpertQA · TsinghuaC3I	垂直领域医疗	B待确认		8.6	—	174	—
AARA_Azerbaijani_LLM_Benchmark · khazarai	推理通用推理	B待确认		8.6	52	—	—
DeepPHY · XinrunXu	多模态视觉语言	B待确认		8.6	—	172	—
LLM-RGB · babelcloud	推理通用推理	B待确认		8.5	—	164	—
autolab · autolabhq	智能体工具调用	B待确认		8.5	—	164	—
MBPP+ MBPP· EvalPlus	代码代码生成	A已审核		8.5	—	—	—
BlindLoop-Evaluation · taesiri	多模态视觉语言	B待确认		8.4	12	—	—
curriculum_benchmark · chenz16	推理通用推理	B待确认		8.4	48	—	—
HaluMem · MemTensor	智能体工具调用	B待确认		8.4	—	156	—
GateMem · rzhub	智能体工具调用	B待确认		8.4	—	154	—
visual-spatial-reasoning · cambridgeltl	多模态视觉语言	B待确认		8.3	—	150	—

第 14 / 18 页

上一页下一页