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

Phy-Q

物理推理

人工智能

受人类智商计算方式的启发，我们定义了反映智能体物理推理智能的物理推理商（Phy-Q 分数）。我们的评估表明，1) 所有智能体的表现都远低于人类，2) 学习智能体，即使具有良好的局部泛化能力，也难以学习潜在的物理推理规则，无法进行广泛的泛化。我们鼓励开发可以达到人类水平 Phy-Q 分数的智能代理。

OpenDataLab2026-07-12 更新410

Falling Tower

物理推理

视觉语言模型

Falling Tower数据集是一个用于物理推理任务的稳定性检测QA数据集，包含模拟和真实世界的场景。该数据集通过模拟生成，涵盖了对象属性、位置和动态等信息，并生成了相关的问答对。数据集的创建旨在通过模拟数据增强视觉语言模型的物理推理能力，特别是在动态环境中的对象行为预测和稳定性分析。该数据集的应用领域主要集中在物理推理和视觉语言模型的性能提升上，旨在解决当前模型在物理和因果推理方面的不足。

arXiv2024-12-12 更新370

PHYSICS Dataset — Test Split (NeurIPS 2025)

资源简介：

相关数据集