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
cladder · causalNLP	推理通用推理	B待确认		8.3	—	148	—
llm-smartrouter-benchmark · pixeloffice	性能/成本成本延迟	B待确认		8.3	69	—	—
LLM-WikiRace-Benchmark · juliusz-ziomek	推理游戏推理	B待确认		8.3	34	—	1
ScienceBoard · OS-Copilot	智能体工具调用	B待确认		8.2	—	137	—
MME-CoT · MME-Benchmarks	多模态视觉语言	B待确认		8.2	—	136	—
Aider Polyglot Aider· Aider	代码代码生成	A已审核		8.0	—	—	—
AgentKernelArena · AMD-AGI	智能体工具调用	B待确认		7.9	—	112	—
eu-cyber-llm-benchmark-prompts · eromang	安全对齐偏见公平	B待确认		7.8	34	—	—
OlympicArena · GAIR-NLP	推理通用推理	B待确认		7.8	—	106	—
clutrr · facebookresearch	推理通用推理	B待确认		7.7	—	104	—
FunQA · Nicous20	多模态视频	B待确认		7.7	—	104	—
manta-benchmark-questions · mycelium-ai	安全对齐对齐安全	B待确认		7.7	6	—	—
Ko-LLM-Safety-Benchmark · UHYEL	安全对齐对齐安全	B待确认		7.7	25	—	—
llm-speed-benchmarks · llmspeed	性能/成本推理速度	B待确认		7.6	47	—	—
QZhou-Flowchart-QA-Benchmark · Kingsoft-LLM	多模态图表表格	B待确认		7.5	45	—	—
Julia-LLM-Leaderboard · svilupp	代码代码生成	B待确认		7.4	—	86	—
bigcodebench-hard-domain BigCodeBench· bigcode	代码代码生成	B待确认		7.4	28	—	—
WER_Evaluation_For_TTS · Idrizorg	多模态音频	B待确认		7.3	40	—	—
arabic-acoustic-poetry-benchmark · KFUPM-JRCAI	垂直领域音乐	B待确认		7.2	19	—	—
VisPhyBench-Data · TIGER-Lab	多模态视觉语言	B待确认		7.1	37	—	—
SWE-bench Bash-only SWE-bench· Princeton	代码代码生成	A已审核		7.1	—	—	—
LLM-Sec-Evaluation · c01dsnap	安全对齐对齐安全	B待确认		7.1	15	—	—
imagereward-evaluation · kenjiqq	多模态文生图	B待确认		6.8	32	—	—
image_gen_ocr_evaluation_data · pbevan11	多模态文生图	B待确认		6.8	32	—	—
query2query_evaluation · neeva	语言/语义语义相似度	B待确认		6.8	10	—	—

第 15 / 18 页

上一页下一页