--- 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

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

open-llm-leaderboard/details_mosaicml__mpt-7b-8k-instruct

大型语言模型评估

多领域知识

该数据集是在Open LLM Leaderboard上对模型mosaicml/mpt-7b-8k-instruct进行评估时自动创建的。数据集由64个配置组成，每个配置对应一个评估任务。数据集由7次运行创建，每次运行的结果作为特定配置中的一个分割，分割名称使用运行的时间戳。train分割始终指向最新的结果。此外，还有一个名为results的配置存储了所有运行的聚合结果，用于在Open LLM Le

Hugging Face2023-12-04 更新150

open-llm-leaderboard/details_DreadPoor__Eros_n_Psyche-7B-Model_Stock

大型语言模型评估

多任务评估

--- 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

LLM Hallucination Benchmark Dataset

资源简介：

相关数据集