Benchmark scores HyperCLOVA X 2024, by category

Statista2026-04-25 收录

语言模型评测

AI基准测试

数据链接：

https://www.statista.com/statistics/1557413/hyperclova-x-benchmark-scores-by-category/数据链接链接失效反馈

官方服务：

资源简介：

Benchmark scores of HyperCLOVA X 2024, by category

ClockBench

视觉推理

AI基准测试

ClockBench是一个视觉推理AI基准测试数据集，包含10个时钟（完整私有数据集包含180个时钟）。该数据集专门设计用于评估AI模型的视觉推理能力，通过OpenRouter API对选定模型进行评估和评分。

github2025-09-04 更新420

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

Cameron-Chen/countdown-opd

推理评估

语言模型评测

--- dataset_info: features: - name: target dtype: int64 - name: nums list: int64 - name: prompt list: - name: content dtype: string - name: role dtype: string

Hugging Face2026-03-21 更新60

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

math-extraction-comp/OpenBuddy__openbuddy-qwen2.5llamaify-14b-v23.3-200k

语言模型评测

答案质量评估

这是一个包含问题、答案和相关评分的数据集，适用于机器学习模型训练。数据集包含训练集，可用于模型对问题回答的预测和评估。

Hugging Face2025-01-25 更新80