LLM scores for bills in US Congress, 2011-2022

kaggle2026-05-23 更新2026-06-17 收录

立法文本分析

大型语言模型评估

数据链接：

https://www.kaggle.com/datasets/trevor23/llm-scores-for-bills-in-us-congress-2011-2022 数据链接链接失效反馈

官方服务：

资源简介：

Anthropic's Claude evaluated 5.5K bills in the context of 8 key topics

Anthropic公司的克劳德（Claude）模型围绕8个核心主题，对5500份票据开展了评估。

创建时间：

2026-05-13

OSVBench

操作系统验证

大型语言模型评估

OSVBench是一个用于评估大型语言模型（LLMs）在生成操作系统内核验证任务相关完整规范代码方面的基准。该基准将规范生成问题定义为在语法和语义的限定范围内进行程序合成问题，并为LLMs提供编程模型。LLMs需要理解提供的验证假设和潜在的语法和语义空间，然后在操作系统的高级功能描述的指导下，为可能存在错误的操作系统代码实现生成完整的规范。该基准建立在真实的操作系统内核Hyperkernel之上，

arXiv2025-04-30 更新650

AUEB-NLP/greek-bar-bench

法律推理

大型语言模型评估

GreekBarBench 是一个用于评估大型语言模型（LLM）在五个不同法律领域内进行复杂法律推理能力的基准数据集。该数据集由希腊律师资格考试（2015-2024年）中的法律问题组成，要求模型在开放书籍格式下，结合案件事实、法律问题以及相关法律条文进行推理，并提供包含明确引用的案件事实和法律条文的自由文本答案。数据集旨在评估复杂的法律推理能力，包括多跳推理和法律条文的准确应用。

Hugging Face2025-06-06 更新130

selfcorrexp2/llama31_14w_wrong_10w_corr_20k_test

大型语言模型评估

代码生成纠错

该数据集是一个包含对话和问题解答的集合，它具有多个字段，包括对话的索引、是否为对话的第一轮、问题的真实答案、解答的奖励信号、用户的解答、是否为正确答案的标记、对话轮数、对话内容、问题文本、期望的输出、问题难度等级、问题类型、提供的解决方案、模型的预测输出以及相关的代码片段。训练集包含20000个示例，数据集大小约为108MB。

Hugging Face2024-12-26 更新90

open-llm-leaderboard/details_TheBloke__llama-30b-supercot-SuperHOT-8K-fp16

大型语言模型评估

多领域知识

--- pretty_name: Evaluation run of TheBloke/llama-30b-supercot-SuperHOT-8K-fp16 dataset_summary: "Dataset automatically created during the evaluation run of model\ \ [TheBloke/llama-30b-supercot-Sup

Hugging Face2023-08-27 更新140

smalleval/mmlu-nano

大型语言模型评估

多任务语言理解

# SmallEval: Browser-Friendly LLM Evaluation Datasets 🚀 [![Created by Cloud Code AI](https://img.shields.io/badge/Created%20by-Cloud%20Code%20AI-blue)](https://cloudcode.ai) SmallEval is a curated

Hugging Face2025-01-20 更新90

LLM scores for bills in US Congress, 2011-2022

资源简介：

相关数据集