RuleShift: Zero-Feedback Set-Shifting Benchmark

kaggle2026-04-15 更新2026-05-09 收录

大型语言模型评估

认知灵活性

数据链接：

https://www.kaggle.com/datasets/niloydebbarma/ruleshift-dataset 数据链接链接失效反馈

官方服务：

资源简介：

Measuring Multi-Dimensional Cognitive Flexibility in LLMs via Silent Rule Change

通过隐性规则变更评测大语言模型（Large Language Models）的多维度认知灵活性

创建时间：

2026-04-15

AUEB-NLP/greek-bar-bench

法律推理

大型语言模型评估

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

OMNIX_Benchmarks_Latest

大型语言模型评估

模型基准测试

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

ZClawBench

大型语言模型评估

多任务代理

# ZClawBench ## Overview Recent advances in agent frameworks have pushed large language models beyond conversational assistance toward **goal-driven task execution**. Among these frameworks, OpenCla

魔搭社区2026-07-15 更新40

DCAgent2/dev_set_v2_100k_epochs3__Qwen3_8B_20260325_231128

大型语言模型评估

指令微调

--- 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

smalleval/mmlu-nano

大型语言模型评估

多任务语言理解

# SmallEval: Browser-Friendly LLM Evaluation Datasets 🚀 [![Created by Cloud Code AI](https://img.shields.io/badge/Created%20by-Cloud%20Code%20AI-blue)](https://cloudcode.ai) SmallEval is a curated

Hugging Face2025-01-20 更新90

RuleShift: Zero-Feedback Set-Shifting Benchmark

资源简介：

相关数据集