Leading AI model performance on MMLU-Pro 2026

Statista2026-04-11 收录

语言模型评测

多任务语言理解

数据链接：

https://www.statista.com/statistics/1611886/mmlu-pro-accuracy/数据链接链接失效反馈

官方服务：

资源简介：

Artificial intelligence (AI) models performance on massive multitask language understanding (MMLU) in 2026

open-llm-leaderboard/details_grimjim__Mistral-7B-Instruct-demi-merge-v0.2-7B

语言模型评测

基准测试

该数据集是在Open LLM Leaderboard上对模型grimjim/Mistral-7B-Instruct-demi-merge-v0.2-7B进行评估时自动创建的。数据集由63个配置组成，每个配置对应一个评估任务。数据集从1次运行中创建，每次运行可以在每个配置中找到特定的分割，分割以运行的时间戳命名。train分割始终指向最新结果。此外，results配置存储了所有运行的聚合结果，并用于

Hugging Face2024-03-27 更新190

CoffeeGitta/difficulty-aime_1983-2024-generations

数学研究

语言模型评测

该数据集是一个针对AIME（美国数学邀请赛，1983-2024年）问题的LLM生成解决方案集合。它包含多个模型（如Qwen2.5-Math、DeepSeek-R1、GPT-OSS-20B等）在不同配置下生成的数学问题解答，覆盖训练、验证和测试分割。数据集中每个条目包括问题陈述、生成的解决方案列表（带分数和成本信息）、成功率、多数投票正确性等字段，旨在用于研究LLM的失败预测，即通过生成前的激活来预

Hugging Face2026-05-25 更新100

Svensk analogi testmängd v1.0

语言模型评测

语义句法相似性

Svensk semantisk och syntaktisk likhet: testmängd

DataCite Commons2024-10-06 更新60

open-llm-leaderboard/details_Skylaude__WizardLM-2-4x7B-MoE

语言模型评测

多任务能力基准

该数据集是在评估模型Skylaude/WizardLM-2-4x7B-MoE时自动创建的，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存储在配置中，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，用于计算和显示在Open LLM Leaderboard上的聚合指标。

Hugging Face2024-04-17 更新160

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

Leading AI model performance on MMLU-Pro 2026

资源简介：

相关数据集