Alien Colony Hidden State Benchmark — Task 1

kaggle2026-04-13 更新2026-05-09 收录

隐藏状态推理

AI基准测试

数据链接：

https://www.kaggle.com/datasets/xjoannax88/alien-colony-hidden-state-benchmark-task-1 数据链接链接失效反馈

官方服务：

资源简介：

Task 1 for evaluating hidden-state reasoning

任务1：隐状态（hidden-state）推理能力评估

创建时间：

2026-04-08

FigureBench

科学插图生成

AI基准测试

FigureBench是由西湖大学团队构建的首个面向长文本科学插图生成的大规模基准数据集，包含3300组高质量科学文本-插图对，覆盖论文、综述、博客和教材四类来源。数据集平均文本长度达10300词，包含41.2%的图文密度和6.4个平均形状组件，通过GPT-5筛选和人工标注（Cohen's κ=0.91）确保质量。该数据集旨在解决科学插图自动生成中结构保真度与美学表现的平衡问题，为AI科学家提供可

arXiv2026-02-04 更新1930

OmniaBench

通用AI代理评估

AI基准测试

OmniaBench是一个用于评估通用AI代理的广泛诊断基准，其场景知识来源于应用商店、产品文档、行业资源和网络检索，涵盖90个一级和354个二级领域。它通过四种互补的构建路线合成任务，包含1,431个任务，并提供一个644个任务的挑战子集用于高效评估。数据集支持十维能力分类和八个难度因素的细粒度分析。

github2026-07-17 更新330

yizhilsy/Toy_SafetyBench

玩具安全评估

AI基准测试

--- dataset_info: features: - name: id dtype: int64 - name: image dtype: image - name: question dtype: string - name: category dtype: string - name: harmful dtype: int6

Hugging Face2026-04-03 更新80

ClockBench

视觉推理

AI基准测试

ClockBench是一个视觉推理AI基准测试数据集，包含10个时钟（完整私有数据集包含180个时钟）。该数据集专门设计用于评估AI模型的视觉推理能力，通过OpenRouter API对选定模型进行评估和评分。

github2025-09-04 更新420

Leading AI model score in HLE 2025

AI基准测试

通用智能评估

Leading artificial intelligence (AI) models in humanity's last exam (HLE) in 2025

Statista140