Can AI Hack? LLM CTF Benchmark

kaggle2026-06-23 更新2026-07-24 收录

网络安全评估

语言模型基准测试

数据链接：

https://www.kaggle.com/datasets/manitejamaram/can-ai-hack-llm-ctf-benchmark 数据链接链接失效反馈

官方服务：

资源简介：

Can AI actually hack? 2,639 real challenge attempts, 10 models, 5 categories

创建时间：

2026-06-23

MMLU-Pro 大规模多任务理解数据集

多任务语言理解

语言模型基准测试

MMLU-Pro 数据集是一个更强大且更具挑战性的大规模多任务理解数据集，旨在更严格地对大型语言模型的功能进行基准测试。该数据集包含 12K 个跨学科的复杂问题。该数据集由滑铁卢大学，多伦多大学，卡内基梅隆大学的研究人员于 2024 年发布，相关论文成果为「MMLU-Pro: A More Robust and Challenging Multi-Task Language Understandi

超神经2024-09-12 更新2260

Morables-PD

推理评估

语言模型基准测试

Morables-PD数据集是EMNLP 2025论文《Morables: A Benchmark for Assessing Abstract Moral Reasoning in LLMs with Fables》中使用的数据的公共领域版本，采用CC BY 4.0许可证发布。该数据集专门设计用于评估大型语言模型在抽象道德推理方面的能力。数据集包含308条记录，每条记录构成一个标题-寓言-寓意三

Hugging Face2026-07-16 更新50

QC-Bench

量子计算知识评估

语言模型基准测试

QC-Bench is a comprehensive quantum computing benchmark for evaluating LLMs, containing 6,021 questions (5,184 multiple-choice, 416 true/false, and 421 open-ended) covering seven core quantum computin

DataONE2025-05-16 更新40

t2ance/code-solutions

代码生成评估

语言模型基准测试

统一的候选代码解决方案数据集，涵盖LCB（LiveCodeBench）和BCB（BigCodeBench）两个部分，由4个模型生成。

Hugging Face2026-04-25 更新60

creativity

创意写作评估

语言模型基准测试

llm_creativity_benchmark旨在评估大型语言模型作为无审查创意写作助手的能力。它通过24个问题来考察模型的写作质量，问题分为安全/不安全以及故事/智能两类。该仓库提供了一系列模型推荐，并给出了在特定硬件上的推理速度。同时，它也提供了详细的模型测评结果，包括模型在写作风格、语法、信息 recall、审查规避等方面的表现。该仓库还详细介绍了测试方法，包括问题类型、提示方法、审查规避

Opencsg2024-07-19 更新40

Can AI Hack? LLM CTF Benchmark

资源简介：

相关数据集