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
Instruction-Following-Evaluation-for-Large-Language-Models · harpreetsahota	语言/语义指令遵循	B待确认		23.9	53	—	1,060
Gender_Bias_Evaluation_Set · flax-sentence-embeddings	安全对齐偏见公平	B待确认		23.8	154	—	476
MEGA-Bench · TIGER-Lab	多模态视觉语言	B待确认		23.8	666	—	41
svg-benchmark · Rapidata	多模态文生图	B待确认		23.6	1,417	—	—
IndicGenBench_xquad_in · google	知识问答通用问答	B待确认		23.5	601	—	77
ValuePrism · allenai	安全对齐对齐安全	B待确认		23.2	161	—	132
MultiBanana-Benchmark · kohsei	多模态文生图	B待确认		23.0	7,050	—	6
IneqMath · AI4Math	数学竞赛数学	B待确认		23.0	992	—	25
MMDocIR_Evaluation_Dataset · MMDocIR	长上下文长文档	B待确认		22.9	476	—	52
IndicGenBench_crosssum_in · google	语言/语义摘要	B待确认		22.8	368	—	77
IndicGenBench_xorqa_in · google	知识问答通用问答	B待确认		22.8	552	—	77
llm-system-prompts-benchmark · Naomibas	写作对话指令遵循	B待确认		22.4	267	—	56
StructEval · TIGER-Lab	推理结构化输出	B待确认		22.4	795	—	35
HealthBench · OpenAI	垂直领域医疗	S高可信		22.4	4,177	—	—
novalad-evaluation · codewithaman	垂直领域通用行业	B待确认		22.2	233	—	371
climate-evaluation · eci-io	垂直领域科学	B待确认		22.2	459	—	79
reveal · google	推理通用推理	B待确认		22.1	103	—	86
gooaq · allenai	知识问答通用问答	B待确认		22.1	291	—	73
lila · allenai	数学通用数学	B待确认		22.1	9,485	—	—
VideoScore-Bench · TIGER-Lab	多模态视频	B待确认		22.0	164	—	201
PDE_Inverse_Problem_Benchmarking · DabbyOWL	垂直领域科学	B待确认		21.7	9,752	—	2
VideoEval-Pro · TIGER-Lab	多模态视频	B待确认		21.7	1,276	—	19
Entity-Imagen · TIGER-Lab	多模态文生图	B待确认		21.7	125	—	265
xyzibd · bop-benchmark	多模态视觉语言	B待确认		21.6	23,928	—	—
csabstruct · allenai	语言/语义分类	B待确认		21.6	155	—	151

第 6 / 18 页

上一页下一页