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
German-RAG-LLM-HARD-BENCHMARK · avemio	长上下文检索上下文	B待确认		21.4	127	—	448
RLPR-Evaluation · openbmb	推理通用推理	B待确认		21.4	282	—	86
svq · google	多模态音频	B待确认		21.4	4,816	—	—
LLM_Benchmark · Bokhbat	语言/语义多语低资源	B待确认		21.4	69	1,570	—
zest · allenai	推理通用推理	B待确认		21.3	350	—	99
MASK · cais	安全对齐对齐安全	B待确认		21.3	8,910	—	—
code_generation · livecodebench	代码代码生成	B待确认		21.0	5,812	—	—
plant-genomic-benchmark · InstaDeepAI	垂直领域生物	B待确认		21.0	9,365	—	—
pdfQA-Benchmark · pdfqa	长上下文长文档	B待确认		21.0	8,697	—	1
granola-entity-questions · google	知识问答事实性	B待确认		20.6	309	—	25
German-RAG-LLM-EASY-BENCHMARK · avemio	长上下文检索上下文	B待确认		20.6	81	—	448
BrowseCompLongContext · openai	长上下文检索上下文	B待确认		20.5	3,214	—	—
WikiProfile · google	知识问答事实性	B待确认		20.5	176	—	8
seahorse_summarization_evaluation · tasksource	写作对话摘要	B待确认		20.2	200	—	57
graphwalks · openai	推理通用推理	B待确认		20.2	1,658	—	—
prompt-injections-benchmark · rogue-security	安全对齐越狱攻防	B待确认		20.2	831	—	—
EditReward-Bench · TIGER-Lab	多模态视觉语言	B待确认		20.2	218	—	51
NLU-Evaluation-Data-en-de · deutsche-telekom	语言/语义NLU	B待确认		19.9	44	—	307
genomics-long-range-benchmark · InstaDeepAI	垂直领域生物	B待确认		19.6	4,191	—	—
bigcodebench-hard BigCodeBench· bigcode	代码代码生成	B待确认		19.5	9,452	—	—
RSRCC · google	多模态视觉语言	B待确认		19.5	2,341	—	0
healthbench-professional · openai	垂直领域医疗	B待确认		19.4	1,720	—	—
cvdp-benchmark-dataset · nvidia	代码代码生成	B待确认		19.3	2,262	—	—
data-product-benchmark · ibm-research	智能体工具调用	B待确认		19.1	3,802	—	1
TheoremExplainBench · TIGER-Lab	数学通用数学	B待确认		19.0	86	—	23

第 7 / 18 页

上一页下一页