LLM Benchmark Tracker 2020–2026

kaggle2026-05-17 更新2026-06-17 收录

大型语言模型评估

基准测试追踪

数据链接：

https://www.kaggle.com/datasets/lizzulfiqar/llm-benchmark-tracker-20202026 数据链接链接失效反馈

官方服务：

资源简介：

286 models · 9 benchmarks · 6 years of LLM capability progress

涵盖286个大语言模型（LLM）、9项基准测试，展现了6年间的大语言模型能力演进历程

创建时间：

2026-05-17

open-llm-leaderboard/details_mosaicml__mpt-7b-8k-instruct

大型语言模型评估

多领域知识

该数据集是在Open LLM Leaderboard上对模型mosaicml/mpt-7b-8k-instruct进行评估时自动创建的。数据集由64个配置组成，每个配置对应一个评估任务。数据集由7次运行创建，每次运行的结果作为特定配置中的一个分割，分割名称使用运行的时间戳。train分割始终指向最新的结果。此外，还有一个名为results的配置存储了所有运行的聚合结果，用于在Open LLM Le

Hugging Face2023-12-04 更新150

open-llm-leaderboard/details_DreadPoor__Eros_n_Psyche-7B-Model_Stock

大型语言模型评估

多任务评估

--- pretty_name: Evaluation run of DreadPoor/Eros_n_Psyche-7B-Model_Stock dataset_summary: "Dataset automatically created during the evaluation run of model\ \ [DreadPoor/Eros_n_Psyche-7B-Model_Stoc

Hugging Face2024-04-06 更新110

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

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

OMNIX_Benchmarks_Latest

大型语言模型评估

模型基准测试

OMNIX Benchmarks 是一个用于评估和基准测试大型语言模型性能的数据集。它旨在通过一套标准化的指标对模型进行综合比较，涵盖格式遵循、逻辑推理、知识回忆、约束遵循、成功率（首次通过和最终）以及推理延迟等多个关键维度。该数据集支持文本生成和问答任务类别，并提供了对多个流行模型（如 Qwen、Gemma、Llama 等系列的不同版本）在上述维度上的量化评分和排名分析，帮助研究人员和开发者了解

Hugging Face2026-07-07 更新100

LLM Benchmark Tracker 2020–2026

资源简介：

相关数据集