GUIE OmniBenchmarkv2

kaggle2022-09-25 更新2024-04-26 收录

多领域基准测试

GUIE应用

数据链接：

https://www.kaggle.com/datasets/ogidif/guie-omnibenchmark-subset 数据链接链接失效反馈

官方服务：

资源简介：

A subset of the OmniBenchmark dataset with seven categories associate with GUIE

本数据集为OmniBenchmark数据集的一个子集，包含七个与GUIE相关的类别。

创建时间：

2022-09-25

open-llm-leaderboard/details_weezywitasneezy__OxytocinErosEngineeringFX-7B-slerp

大型语言模型评估

多领域基准测试

该数据集是在Open LLM Leaderboard上对模型weezywitasneezy/OxytocinErosEngineeringFX-7B-slerp进行评估时自动创建的。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，运行的时间戳作为分割的名称。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

Hugging Face2024-04-08 更新130

ChineseFactEval

中文事实性评估

多领域基准测试

This benchmark contains 125 prompts across 7 scenarios: general domain, scientific research, medical, law, finance, math, and Chinese modern history.

OpenXLab100

stochastic-parrots/judgebench-lighteval

大型语言模型评估

多领域基准测试

该数据集是一个多功能的NLP数据集，包含多个针对不同任务和模型的子集。每个子集都包含了提示（prompt）、选择的回答（chosen）、被拒绝的回答（rejected）、模型响应（response_model）、清洗后的模型响应（sanitized_model）、主域名（main_domain）、子域名（sub_domain）、完整域名（full_domain）、对ID（pair_id）、原始ID

Hugging Face2025-05-31 更新70

RAG-Evaluation-Dataset-KO

韩语RAG评估

多领域基准测试

Allganize RAG Leaderboard专注于评估韩语RAG在五个领域的性能：金融、公共、医疗、法律和商业。它提供了一套RAG评估数据，包括文档、问题和答案，并支持用户上传文档和使用自定义问题来评估RAG方法。该仓库通过自动性能评估方法来衡量各种RAG方法的性能，并提供了自动评估工具。数据集包含来自不同领域的PDF文档，并标注了问题的上下文类型（段落、表格、图像），同时还集成了Alli、

OpenCSG2024-07-19 更新100

open-llm-leaderboard/details_bunnycore__Mnemosyne-7B

大型语言模型评估

多领域基准测试

该数据集是在评估模型bunnycore/Mnemosyne-7B时自动生成的，包含63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，每次运行的结果存储为特定的分割，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，results配置存储了所有运行的聚合结果，用于在Open LLM Leaderboard上计算和显示聚合指标。

Hugging Face2024-04-08 更新90

GUIE OmniBenchmarkv2

资源简介：

相关数据集