Task Evaluation Data Processing, Translated from Chinese

Name: Task Evaluation Data Processing, Translated from Chinese
Creator: Danning Wu
Published: 2026-04-09T12:26:01+08:00

Mendeley Data2026-04-09 收录

任务评估

数据链接：

https://data.mendeley.com/datasets/s68j34rwf6 数据链接链接失效反馈

官方服务：

资源简介：

This spreadsheet collects the raw and processed data in the task evaluation.

提供机构：

Embodied World Model Benchmark (EWMBM) 是一个专门设计用于评估Embodied World Models (EWMs)的基准框架，旨在评估文本驱动视频生成模型在具体任务中的表现。EWMBM系统评估生成内容在三个关键维度上的物理合理性和任务一致性：视觉场景一致性、运动正确性和语义对齐。与传统感知指标相比，EWMBM更关注生成结果在具体环境中的实际可用性和合理性。

github2025-05-16 更新220

open-llm-leaderboard-old/details_icefog72__IceCoffeeTest2

语言模型评估

任务评估

该数据集是在模型icefog72/IceCoffeeTest2的评估运行期间自动创建的，用于在Open LLM Leaderboard上进行评估。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，分割以运行的时间戳命名。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 Lead

Hugging Face2024-04-24 更新150

hk-kaden-kim/uzh-hs23-etsp-eval-single-nogrid-line

图像处理

任务评估

--- dataset_info: features: - name: image dtype: image - name: caption dtype: string splits: - name: test num_bytes: 3881934.0 num_examples: 100 download_size: 3869794 da

Hugging Face2023-10-08 更新90

X-LANCE/WikiHow-taskset

任务评估

数据爬取与处理

WikiHow任务集是一个基于Mobile-Env的信息用户界面（InfoUI）交互任务集，用于评估交互式代理在LLM时代的性能。该数据集从WikiHow网站爬取了107,448个页面，总数据量约为88 GiB。任务集通过Mobile-Env中的模板工具包实例化，包含577个任务，其中150个任务经过LLM代理测试。数据集还提供了重放脚本、证书解绑计划、人工重写指令等工具和资源，支持用户进行任务重

Hugging Face2025-09-02 更新200

DCAgent/neulab-agenttuning-db-sandboxes_glm_4.7_traces_jupiter

代理模型

任务评估

--- dataset_info: features: - name: conversations list: - name: content dtype: string - name: role dtype: string - name: agent dtype: string - name: model dtype

Hugging Face2026-03-22 更新90

Task Evaluation Data Processing, Translated from Chinese

资源简介：

相关数据集