PillagerBench是一个为评估基于大型语言模型（LLM）的智能体在Minecraft中实时竞争团队对抗场景中的性能而设计的框架。该框架提供了可扩展的API、多轮测试和基于规则的内置对手，以实现公平和可重复的比较。PillagerBench包含两个竞争性游戏场景：蘑菇战争和Dash&Dine，每个场景评估LLMs的不同能力。蘑菇战争要求智能体在时间限制下有效地分配任务和执行行动；Dash&D

arXiv2025-09-08 更新500

职校焊工实训AI智能质量评估数据

焊接技术

AI性能评估

本数据集源自职业技术学校焊工实习与实训期间实地采集的焊接图像。图像详细捕捉了在钢板上焊接的条状焊带和特殊工件（如圆管）上的焊接情况，焊接区域在图片中被明确标注。通过这些实训过程中得到的高质量图像，训练焊缝AI质量评估模型成为可能，模型可以精准鉴别焊接质量，助力提升实训效果。图像集中还包括一些特殊情况如失焦图像，以期让AI模型能在实际场景中具有鲁棒的应对能力。

山东省数据知识产权存证登记平台2023-12-29 更新230

q-future/A-Bench

AI性能评估

视觉语言模型

A-Bench数据集包含AI生成的图像和对应的元信息文件Abench.json。元信息文件中包含图像路径、问题、答案选项和类别。该数据集用于评估大型多模态模型（LMM）在AI生成图像（AIGI）评估任务中的表现。

Hugging Face2025-02-11 更新560

thesven/TigerMath-Evaluated

数学教育

AI性能评估

TigerMath-Evaluated数据集包含101,000行来自TIGER-Lab/MathInstruct数据集的4-5年级数学问题回答，这些回答通过Prometheus V2模型进行评分。数据集的特征包括原始来源、回答、指令、反馈和评分。该数据集的目的是支持教育AI和自动评分系统的研究和开发。

Hugging Face2024-07-18 更新480

NPU utilization and FPS Under different processing methods.

资源简介：

相关数据集