ChatGPT's ability to think logically in Poland 2023

Statista2026-04-25 收录

大型语言模型评估

逻辑推理能力测试

数据链接：

https://www.statista.com/statistics/1461454/poland-chatgpt-s-ability-to-think-logically/数据链接链接失效反馈

官方服务：

资源简介：

Do you agree that ChatGPT can think logically, i.e. draws conclusions based on premises?

OSVBench

操作系统验证

大型语言模型评估

OSVBench是一个用于评估大型语言模型（LLMs）在生成操作系统内核验证任务相关完整规范代码方面的基准。该基准将规范生成问题定义为在语法和语义的限定范围内进行程序合成问题，并为LLMs提供编程模型。LLMs需要理解提供的验证假设和潜在的语法和语义空间，然后在操作系统的高级功能描述的指导下，为可能存在错误的操作系统代码实现生成完整的规范。该基准建立在真实的操作系统内核Hyperkernel之上，

arXiv2025-04-30 更新650

AUEB-NLP/greek-bar-bench

法律推理

大型语言模型评估

GreekBarBench 是一个用于评估大型语言模型（LLM）在五个不同法律领域内进行复杂法律推理能力的基准数据集。该数据集由希腊律师资格考试（2015-2024年）中的法律问题组成，要求模型在开放书籍格式下，结合案件事实、法律问题以及相关法律条文进行推理，并提供包含明确引用的案件事实和法律条文的自由文本答案。数据集旨在评估复杂的法律推理能力，包括多跳推理和法律条文的准确应用。

Hugging Face2025-06-06 更新130

open-llm-leaderboard/details_BEE-spoke-data__smol_llama-81M-tied

大型语言模型评估

多任务基准测试

该数据集是在评估模型BEE-spoke-data/smol_llama-81M-tied在Open LLM Leaderboard上的表现时自动创建的。数据集包含64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，并用于计算和

Hugging Face2023-11-18 更新110

open-llm-leaderboard/details_TheBloke__llama-30b-supercot-SuperHOT-8K-fp16

大型语言模型评估

多领域知识

--- pretty_name: Evaluation run of TheBloke/llama-30b-supercot-SuperHOT-8K-fp16 dataset_summary: "Dataset automatically created during the evaluation run of model\ \ [TheBloke/llama-30b-supercot-Sup

Hugging Face2023-08-27 更新140

open-llm-leaderboard/details_FelixChao__Gemma-10.2B-Coder

大型语言模型评估

多领域知识

--- pretty_name: Evaluation run of FelixChao/Gemma-10.2B-Coder dataset_summary: "Dataset automatically created during the evaluation run of model\ \ [FelixChao/Gemma-10.2B-Coder](https://huggingface

Hugging Face2024-03-21 更新110

ChatGPT's ability to think logically in Poland 2023

资源简介：

相关数据集