ibm-research/BFCL-FC-robustness

Name: ibm-research/BFCL-FC-robustness
Creator: ibm-research
Published: 2025-04-12T01:52:34+08:00

Hugging Face2025-03-06 更新2025-04-12 收录

数据链接：

https://hf-mirror.com/datasets/ibm-research/BFCL-FC-robustness 数据链接链接失效反馈

官方服务：

资源简介：

--- license: cdla-permissive-2.0 ---

提供机构：

NESTFUL是一个用于评估大型语言模型(LLM)在嵌套API调用序列上的性能的基准数据集。该数据集包含超过1800个嵌套序列，主要来自数学推理和编码工具两个领域。数学推理部分来源于MathQA数据集，而编码部分来源于StarCoder2-Instruct数据集。数据集中的所有函数调用都是可执行的。每个样本包含用户查询、可用的工具目录、地面真实函数调用序列以及执行这些函数调用后的最终答案。

Hugging Face2025-05-22 更新330

ibm-research/otter_uniprot_bindingdb

蛋白质-药物相互作用

生物信息学

--- license: mit --- # Otter UB Dataset Card UB is a dataset comprising entities (Proteins/Drugs) from Uniprot (U) and BindingDB (B) ## Dataset details #### Uniprot Uniprot comprises of 573,227 pr

Hugging Face2023-06-26 更新130

ibm-research/justrank_judge_scores

大型语言模型评估

排行榜创建

JuStRank Judge Scores数据集是关于LLM评估者和奖励模型对63个系统在Arena Hard v0.1基准的500个问题所给出的质量评分的原始数据集。这些评分用于评估LLM评估者在系统级排名中的性能和行为，并用于创建JuStRank排行榜。

Hugging Face2025-06-08 更新100

ibm-research/POBS

社会调查

自然语言处理

Preference, Opinion, and Belief Survey (POBS)是一个综合性的评估大型语言模型主观倾向的基准数据集，包括偏好、观点和信仰，跨越有争议的、社会的、文化的和个人领域。该数据集由IBM研发，能够系统地、无需参考基准地评估LLM的主观性，帮助组织、研究人员和实践者在部署前审计模型的中立性、一致性和隐含偏见。

Hugging Face2025-07-22 更新150

ibm-research/SocialStigmaQA-JA

语言模型社会偏见评估

生成式AI伦理审计

SocialStigmaQA-JA数据集是一个用于测试大型语言模型社会偏见的日语版本数据集，包含了大约10K个经过精心翻译的提示，旨在系统地测试社会偏见和模型的鲁棒性。该数据集从93个美国中心主义偏见列表和手 curated问答模板构建而成，这些模板涉及社会情境。数据集特别关注每个模板的两个方面：带有偏见的答案选择和提示风格。

Hugging Face2025-01-09 更新100

ibm-research/BFCL-FC-robustness

资源简介：

相关数据集