ChatGPT Prompt Scorecard 2024

kaggle2026-04-29 更新2026-06-17 收录

提示工程

大型语言模型评估

数据链接：

https://www.kaggle.com/datasets/hamnamunir/chatgpt-prompt-scorecard-2024 数据链接链接失效反馈

官方服务：

资源简介：

A synthetic tabular dataset for LLM prompt engineering and response quality rese

用于大语言模型（LLM）提示工程与响应质量研究的合成表格数据集

创建时间：

2026-04-29

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

open-llm-leaderboard/details_chlee10__T3Q-Platypus-Mistral7B

大型语言模型评估

基准测试

该数据集是在评估模型chlee10/T3Q-Platypus-Mistral7B时自动生成的，包含63个配置，每个配置对应一个评估任务。数据集由1次运行生成，每次运行的结果作为一个特定的分割，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，results配置存储了所有运行的聚合结果，用于计算和展示在Open LLM Leaderboard上的聚合指标。

Hugging Face2024-03-12 更新90

agentlans/prompt-difficulty

提示工程

视觉语言模型

该数据集专注于评估大型语言模型（LLMs）提示的难度。它详细介绍了评估提示难度的方法，包括从特定数据集中选择提示、用于评估的模型以及难度评估的标准。结果部分展示了不同模型在难度评分上的一致性，并提供了提示示例及其对应的难度分数。此外，还讨论了该方法的局限性和结论，强调了难度度量在课程学习、数据集过滤和性能预测等方面的潜在应用。

Hugging Face2025-12-12 更新50

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

kth8/Qwen3.5-4B-Claude-Opus-Reasoning-Distill-SuperGPQA-benchmark

大型语言模型评估

高难度问答基准测试

--- license: apache-2.0 language: - en base_model: TeichAI/Qwen3.5-4B-Claude-Opus-Reasoning-Distill datasets: - m-a-p/SuperGPQA --- Benchmark of [TeichAI/Qwen3.5-4B-Claude-Opus-Reasoning-Distill](htt

Hugging Face2026-04-10 更新60

ChatGPT Prompt Scorecard 2024

资源简介：

相关数据集