Evaluation data for LLM comparison, generated code and scripts for execution

Figshare2026-01-16 更新2026-04-28 收录

数据链接：

https://figshare.com/articles/dataset/Evaluation_data_for_LLM_comparison_generated_code_and_scripts_for_execution/30428884 数据链接链接失效反馈

官方服务：

资源简介：

the evaluated data of the MBPP dataset across multiple LLMs

创建时间：

2026-01-16

nuprl/agnostics-codeforces-cots

编程竞赛题目

代码生成评估

--- dataset_info: features: - name: idx dtype: int64 - name: source_id dtype: string - name: prompt dtype: string - name: response dtype: string - name: problem_statement

Hugging Face2026-03-13 更新110

math-extraction-comp/OpenBuddy__openbuddy-qwen2.5llamaify-14b-v23.3-200k

语言模型评测

答案质量评估

这是一个包含问题、答案和相关评分的数据集，适用于机器学习模型训练。数据集包含训练集，可用于模型对问题回答的预测和评估。

Hugging Face2025-01-25 更新80

ioi-leaderboard/ioi-eval-sglang_open-r1_Qwen2.5-Coder-32B-Instruct-SFT-v03.00-step-000002296-prompt-mem-limit

代码生成评估

编程解决方案

该数据集包含了问题ID、子任务、提示信息、生成内容、代码、编程语言、解决方案数量、唯一标识符、模型参数以及元数据等字段。元数据中又包含了使用情况（如完成的token数、提示的token数、总token数和成本）、时间戳和停止原因。数据集分为训练集，共有2050个示例，大小为148242889字节。

Hugging Face2025-03-11 更新50

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

DCAgent2/swebench_verified_random_100_folders_exp_rpt_stack_rust_10k_glm_4_7_traces_jupic84bfdfe

代码生成评估

软件工程智能体

--- 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60

Evaluation data for LLM comparison, generated code and scripts for execution

资源简介：

相关数据集