Performance of October 2023 LLMs on the Yes/No tests (percentage of correct answers).

Figshare2024-12-12 更新2026-04-28 收录

数据链接：

https://figshare.com/articles/dataset/Performance_of_October_2023_LLMs_on_the_Yes_No_tests_percentage_of_correct_answers_/28018180 数据链接链接失效反馈

官方服务：

资源简介：

Performance of October 2023 LLMs on the Yes/No tests (percentage of correct answers).

创建时间：

2024-12-12

open-llm-leaderboard-eda

语言模型评测

基准测试

该数据集来自HuggingFace的Open LLM Leaderboard，包含4,575条大型语言模型（LLM）评估记录，涵盖模型大小、训练类型、架构以及在6个标准化基准测试中的得分。数据集共35列，关键字段包括平均得分（`Average`）、参数数量（`#Params (B)`）、模型类型（`Type`）、架构（`Architecture`）、碳足迹（`CO2 cost (kg)`）和Hug

Hugging Face2026-04-12 更新240

open-llm-leaderboard/details_aivince__alpaca_mistral-7b-v0.2

语言模型评测

模型性能基准测试

该数据集是在评估模型aivince/alpaca_mistral-7b-v0.2时自动创建的，评估过程在Open LLM Leaderboard上进行。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Op

Hugging Face2024-03-24 更新160

marin-community/open-thoughts-4-1500-math-kimi-k2pt5-annotated-32768-tokens

推理评估

语言模型评测

--- dataset_info: features: - name: row_id dtype: int64 - name: instruction_seed dtype: string - name: _source dtype: string - name: gpt41_mini_response dtype: string - nam

Hugging Face2026-04-03 更新100

llama-duo/gemma7b-coding-eval-by-gpt4o

代码生成评估

语言模型评测

--- dataset_info: features: - name: instructions dtype: string - name: target_responses dtype: string - name: candidate_responses dtype: string - name: model_id dtype: string

Hugging Face2024-06-12 更新160

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

Performance of October 2023 LLMs on the Yes/No tests (percentage of correct answers).

资源简介：

相关数据集