该数据集是在Open LLM Leaderboard上评估模型huggyllama/llama-30b时自动生成的。数据集由122个配置组成，每个配置对应一个评估任务。数据集由4次运行生成，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。一个名为results的额外配置存储了所有运行的聚合结果，这些结果用于计算和显示Open LLM Leaderb

Hugging Face2023-09-16 更新170

karakuri-ai/OSWorld-JP-task-resources

计算机代理

基准测试

This repository provides resource files used in [OSWorld-JP](https://github.com/karakuri-ai/OSWorld-JP), a computer-using agent benchmark.

Hugging Face2025-12-14 更新130

GSLB

图学习

基准测试

GSLB是由中国科学院自动化研究所开发的综合性图结构学习基准，包含16种先进的图结构学习算法和20个多样的图数据集，覆盖了同质节点级、异质节点级和图级任务。该数据集旨在通过三个维度：有效性、鲁棒性和复杂性，系统地研究图结构学习的特性。GSLB不仅为图结构学习领域提供了标准化的实验设置，还通过广泛的实验揭示了图结构学习在异质性、鲁棒性等方面的潜在优势，为未来的研究提供了深入的见解和机会。

arXiv2023-10-08 更新260

Agent安全评估数据集

LLM安全

基准测试

Agent Security Bench (ASB) 是一个面向LLM代理安全性的综合性基准框架，涵盖电子商务、自动驾驶、金融等10个场景，涉及10类代理、400余种工具与任务，集成23种攻击/防御方法及7项评估指标。数据集系统评估代理在多场景下的安全脆弱性与防御效能，支撑对提示注入、越权访问等典型攻击的测试。其主要应用于LLM代理的安全性基准评测，助力研发更鲁棒、可靠的智能代理系统。

库帕思2025-12-22 更新150

BPID: A Benchmark for Personal Identity Deduplication

资源简介：

相关数据集