GSPC ARENA RESULTS — full model comparisons

kaggle2026-08-06 更新2026-08-12 收录

模型对比评估

基准测试

数据链接：

https://www.kaggle.com/datasets/nicktempleman/gspc-arena-results 数据链接链接失效反馈

官方服务：

资源简介：

CSOAI GSPC benchmark · per-model results across all axes

CSOAI GSPC基准测试集 · 全评估维度下的各模型性能结果

创建时间：

2026-08-06

RL Unplugged

离线强化学习

基准测试

RL Unplugged是由DeepMind创建的一套用于离线强化学习方法评估的基准套件。该数据集涵盖了从Atari游戏到模拟运动控制问题等多个领域的数据，包括部分或完全可观察的领域、连续或离散的动作空间以及随机与确定性的动态。数据集旨在通过详细的评估协议，促进离线RL方法的研究和比较，提高实验的可重复性，并使RL研究对更广泛的社区更加系统和可访问。

arXiv2021-02-13 更新220

open-llm-leaderboard/details_chlee10__T3Q-Platypus-Mistral7B

大型语言模型评估

基准测试

该数据集是在评估模型chlee10/T3Q-Platypus-Mistral7B时自动生成的，包含63个配置，每个配置对应一个评估任务。数据集由1次运行生成，每次运行的结果作为一个特定的分割，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，results配置存储了所有运行的聚合结果，用于计算和展示在Open LLM Leaderboard上的聚合指标。

Hugging Face2024-03-12 更新90

IndicParam

印度语言处理

基准测试

IndicParam是一个研究生级别的基准测试，旨在评估大型语言模型（LLMs）对低资源和极低资源印度语言的理解能力。数据集包含来自官方UGC-NET语言试题和答案的13,207道多选题（MCQs），涵盖11种印度语言以及一个单独的梵语-英语混合代码集。这些题目分为语言理解（语言学、语法等）和常识（文学、文化、历史等）两大类。数据集支持多种任务，包括多选题回答、语言理解评估、常识评估和问题类型评估

Hugging Face2025-12-10 更新80

Agent安全评估数据集

LLM安全

基准测试

Agent Security Bench (ASB) 是一个面向LLM代理安全性的综合性基准框架，涵盖电子商务、自动驾驶、金融等10个场景，涉及10类代理、400余种工具与任务，集成23种攻击/防御方法及7项评估指标。数据集系统评估代理在多场景下的安全脆弱性与防御效能，支撑对提示注入、越权访问等典型攻击的测试。其主要应用于LLM代理的安全性基准评测，助力研发更鲁棒、可靠的智能代理系统。

库帕思2025-12-22 更新150

4DHydro Benchmark Dataset wflow_sbm - Tugela

水文模型

基准测试

This dataset is developed for the 4DHydro project (https://4dhydro.eu/) working package 2. The 4DHydro working package 2 is dedicated to provided a set of land-surface and hydrological model community

DataCite Commons2023-10-23 更新80

GSPC ARENA RESULTS — full model comparisons

资源简介：

相关数据集