数据链接：
官方服务：
资源简介：
Comprehensive performance metrics for GPT-4 model evaluation
应用场景：
创建时间：
2025-02-23
相关数据集
AUEB-NLP/greek-bar-bench
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_DreadPoor__Eros_n_Psyche-7B-Model_Stock
--- pretty_name: Evaluation run of DreadPoor/Eros_n_Psyche-7B-Model_Stock dataset_summary: "Dataset automatically created during the evaluation run of model\ \ [DreadPoor/Eros_n_Psyche-7B-Model_Stoc
Hugging Face2024-04-06 更新110
smalleval/mmlu-nano
# SmallEval: Browser-Friendly LLM Evaluation Datasets 🚀 [](https://cloudcode.ai) SmallEval is a curated
Hugging Face2025-01-20 更新90
DCAgent2/dev_set_v2_100k_epochs3__Qwen3_8B_20260325_231128
--- dataset_info: features: - name: conversations list: - name: content dtype: string - name: role dtype: string - name: agent dtype: string - name: model dtype
Hugging Face2026-03-26 更新110
OMNIX_Benchmarks_Latest
OMNIX Benchmarks 是一个用于评估和基准测试大型语言模型性能的数据集。它旨在通过一套标准化的指标对模型进行综合比较，涵盖格式遵循、逻辑推理、知识回忆、约束遵循、成功率（首次通过和最终）以及推理延迟等多个关键维度。该数据集支持文本生成和问答任务类别，并提供了对多个流行模型（如 Qwen、Gemma、Llama 等系列的不同版本）在上述维度上的量化评分和排名分析，帮助研究人员和开发者了解
Hugging Face2026-07-07 更新100
