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
snips_built_in_intents · sonos-nlu-benchmark	语言/语义NLU	B待确认		30.2	1,067	—	931
M-BEIR · TIGER-Lab	多模态检索/Embedding	B待确认		30.0	3,158	—	197
code_x_glue_tc_nl_code_search_adv · google	代码代码生成	B待确认		29.9	619	—	1,585
code_x_glue_cc_cloze_testing_all · google	代码代码生成	B待确认		29.7	285	—	4,239
BeaverTails-Evaluation · PKU-Alignment	安全对齐对齐安全	B待确认		29.7	708	—	1,030
TheoremQA · TIGER-Lab	数学通用数学	B待确认		29.6	2,389	—	253
winogrande Winogrande· allenai	推理通用推理	B待确认		29.4	225,670	—	—
GAIA-2 GAIA· Meta + HF	智能体环境控制	S高可信		29.3	12,056	—	25
prosocial-dialog · allenai	安全对齐对齐安全	B待确认		28.8	865	—	162
MMEB-eval · TIGER-Lab	多模态视觉语言	B待确认		28.8	1,967	—	231
simpleqa-verified SimpleQA· google	知识问答事实性	B待确认		28.8	5,646	—	39
LiveBench · Abacus.AI	知识问答通用问答	S高可信		28.7	—	1,295	210
Video-MME-v2 · MME-Benchmarks	多模态视频	B待确认		28.6	7,287	—	29
code_x_glue_cc_cloze_testing_maxmin · google	代码代码生成	B待确认		28.5	221	—	4,239
quoref · allenai	推理通用推理	B待确认		28.5	2,621	—	190
deepsearchqa · google	智能体工具调用	B待确认		28.4	28,194	—	—
MMEB-V2 · TIGER-Lab	多模态检索/Embedding	B待确认		28.2	3,332	—	99
scitldr · allenai	写作对话摘要	B待确认		28.0	650	—	287
frontierscience · openai	垂直领域科学	B待确认		27.9	70,173	—	—
code_x_glue_tt_text_to_text · google	代码代码生成	B待确认		27.8	484	—	1,585
HELMET · princeton-nlp	长上下文长文档	B待确认		27.6	2,617	—	119
NexusRaven_API_evaluation · Nexusflow	智能体工具调用	B待确认		27.3	497	—	404
code_x_glue_tc_text_to_code · google	代码代码生成	B待确认		27.3	755	—	191
multi_lexsum · allenai	垂直领域法律	B待确认		27.1	1,994	—	69
VideoFeedback · TIGER-Lab	多模态视频	B待确认		27.0	576	—	201

第 4 / 18 页

上一页下一页