FormatBench: LLM Formatting Bias Dataset

kaggle2026-05-29 更新2026-06-17 收录

语言模型评测

偏好对齐优化

数据链接：

https://www.kaggle.com/datasets/techiekd/formatbench-llm-formatting-bias-dataset 数据链接链接失效反馈

官方服务：

资源简介：

551 DPO preference pairs across 18 real-world contexts

551个DPO（Direct Preference Optimization）偏好配对样本，覆盖18个真实世界场景

创建时间：

2026-05-19

open-llm-leaderboard/details_Qwen__Qwen1.5-110B-Chat

语言模型评测

多任务基准测试

该数据集是在评估模型Qwen/Qwen1.5-110B-Chat时自动创建的，评估在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。数据集由1次运行创建，每次运行可以在每个配置中找到，运行的时间戳作为分割名称。train分割始终指向最新结果。此外，results配置存储了所有运行的聚合结果，并用于计算和显示Open LLM Leaderboard上

Hugging Face2024-04-29 更新250

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

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

open-llm-leaderboard/details_grimjim__Mistral-7B-Instruct-demi-merge-v0.2-7B

语言模型评测

基准测试

该数据集是在Open LLM Leaderboard上对模型grimjim/Mistral-7B-Instruct-demi-merge-v0.2-7B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分割始终指向最新结果。此外，results配置存储了所有运行的聚合结果，并用于

Hugging Face2024-03-27 更新190

open-llm-leaderboard/details_DreadPoor__Sphinx-7B-Model_Stock

语言模型评测

多任务基准测试

该数据集是在Open LLM Leaderboard上对模型DreadPoor/Sphinx-7B-Model_Stock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。数据集是从1次运行中生成的，每次运行在每个配置中表示为特定的分割，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，还有一个名为results的配置，存储了运行的所有聚合结果，用于计算和显示

Hugging Face2024-04-08 更新100

FormatBench: LLM Formatting Bias Dataset

资源简介：

相关数据集