OmniaBench是一个用于评估通用AI代理的广泛诊断基准，其场景知识来源于应用商店、产品文档、行业资源和网络检索，涵盖90个一级和354个二级领域。它通过四种互补的构建路线合成任务，包含1,431个任务，并提供一个644个任务的挑战子集用于高效评估。数据集支持十维能力分类和八个难度因素的细粒度分析。

github2026-07-17 更新330

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

ALL Bench Leaderboard 2026

AI基准测试

多模态AI

ALL Bench Leaderboard 2026是一个聚合并交叉验证了6种模态下91个AI模型的基准分数的数据集。每个数值分数都标记有置信级别（交叉验证、单一来源或自我报告）及其原始来源。该数据集专为需要可信、统一AI模型景观视图的研究人员、开发人员和决策者设计。

github2026-03-08 更新370

BackX

后门攻击

AI基准测试

BackX是一个基于后门攻击的解释性AI基准数据集，用于评估深度模型预测的归属方法。该数据集由西澳大学创建，旨在通过理论分析确保归属评估的可靠性。BackX通过控制特定的触发模式来系统地建立模型的归属真相，从而在不同底层方法中实现归属方法的一致和公平基准。该数据集的应用领域包括解释模型预测和建立模型信任，特别是在高风险任务中。

arXiv2024-05-02 更新150

Hyperparameters for Atari Games 100K.

资源简介：

相关数据集