Behavioral Economics and GPT-4 Data

Harvard Dataverse2024-11-28 更新2026-04-09 收录

行为经济学实验

大型语言模型评估

数据链接：

https://dataverse.harvard.edu/citation?persistentId=doi:10.7910/DVN/9ZOX18 数据链接链接失效反馈

官方服务：

资源简介：

Replication data for paper Behavioral Economics and GPT-4: From William Shakespeare to Elena Ferrante

创建时间：

2024-01-01

open-llm-leaderboard/details_mosaicml__mpt-7b-8k-instruct

大型语言模型评估

多领域知识

该数据集是在Open LLM Leaderboard上对模型mosaicml/mpt-7b-8k-instruct进行评估时自动创建的。数据集由64个配置组成，每个配置对应一个评估任务。数据集由7次运行创建，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，用于在Open LLM Le

Hugging Face2023-12-04 更新150

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

ZClawBench

大型语言模型评估

多任务代理

# ZClawBench ## Overview Recent advances in agent frameworks have pushed large language models beyond conversational assistance toward **goal-driven task execution**. Among these frameworks, OpenCla

魔搭社区2026-07-15 更新40

OMNIX_Benchmarks_Latest

大型语言模型评估

模型基准测试

OMNIX Benchmarks 是一个用于评估和基准测试大型语言模型性能的数据集。它旨在通过一套标准化的指标对模型进行综合比较，涵盖格式遵循、逻辑推理、知识回忆、约束遵循、成功率（首次通过和最终）以及推理延迟等多个关键维度。该数据集支持文本生成和问答任务类别，并提供了对多个流行模型（如 Qwen、Gemma、Llama 等系列的不同版本）在上述维度上的量化评分和排名分析，帮助研究人员和开发者了解

Hugging Face2026-07-07 更新100

kth8/Qwen3.5-4B-Claude-Opus-Reasoning-Distill-SuperGPQA-benchmark

大型语言模型评估

高难度问答基准测试

--- license: apache-2.0 language: - en base_model: TeichAI/Qwen3.5-4B-Claude-Opus-Reasoning-Distill datasets: - m-a-p/SuperGPQA --- Benchmark of [TeichAI/Qwen3.5-4B-Claude-Opus-Reasoning-Distill](htt

Hugging Face2026-04-10 更新60

Behavioral Economics and GPT-4 Data

资源简介：

相关数据集