Performance of DeepSeek-R1 compared to OpenAI in leading benchmarks 2025

Statista2026-04-11 收录

数据链接：

https://www.statista.com/statistics/1552824/deepseek-performance-of-deepseek-r1-compared-to-open-ai-by-benchmark/数据链接链接失效反馈

官方服务：

资源简介：

Performance comparison of DeepSeek R-1 and OpenAI-o1-1217 in 2025, by benchmark

open-llm-leaderboard/details_grimjim__Mistral-7B-Instruct-demi-merge-v0.2-7B

语言模型评测

基准测试

该数据集是在Open LLM Leaderboard上对模型grimjim/Mistral-7B-Instruct-demi-merge-v0.2-7B进行评估时自动创建的。数据集由63个配置组成，每个配置对应一个评估任务。数据集从1次运行中创建，每次运行可以在每个配置中找到特定的分割，分割以运行的时间戳命名。train分割始终指向最新结果。此外，results配置存储了所有运行的聚合结果，并用于

Hugging Face2024-03-27 更新190

CoffeeGitta/difficulty-aime_1983-2024-generations

数学研究

语言模型评测

该数据集是一个针对AIME（美国数学邀请赛，1983-2024年）问题的LLM生成解决方案集合。它包含多个模型（如Qwen2.5-Math、DeepSeek-R1、GPT-OSS-20B等）在不同配置下生成的数学问题解答，覆盖训练、验证和测试分割。数据集中每个条目包括问题陈述、生成的解决方案列表（带分数和成本信息）、成功率、多数投票正确性等字段，旨在用于研究LLM的失败预测，即通过生成前的激活来预

Hugging Face2026-05-25 更新100

notdiamond/rorf-llama31405b-llama3170b-battles

语言模型评测

模型性能比较

该数据集包含输入文本和两个不同模型对此文本的评分。数据集分为训练集和评估集，可用于训练和评估相关模型。

Hugging Face2024-09-24 更新70

Leading AI model score in HLE 2025

AI基准测试

通用智能评估

Leading artificial intelligence (AI) models in humanity's last exam (HLE) in 2025

Statista140

No Need to Lift a Finger Anymore? Assessing the Quality of Code Generation by ChatGPT - Artifact