Leading AI models success rates across VAB in 2025

Statista2026-04-11 收录

视觉智能体评估

模型基准测试

数据链接：

https://www.statista.com/statistics/1611889/visualagentbench-success-rate-test/数据链接链接失效反馈

官方服务：

资源简介：

VisualAgentBench (VAB) success rates of leading artificial intelligence (AI) models in 2025

LEM-benchmarks

伦理对齐

模型基准测试

LEM Benchmarks 是一个用于多模型架构的 LEK-1（Lethean Ethics Kernel）A/B 测试数据集，旨在证明伦理对齐可以通过权重训练或提示签名解锁。数据集包含多个配置，如 Gemma3-27B 和 GPT-OSS-20B 模型的基准与签名响应对比，以及标准基准测试（GSM8K、TruthfulQA、DoNotAnswer、ToxiGen）。数据集展示了不同架构下的伦理

Hugging Face2026-02-13 更新530

open-llm-leaderboard/details_OptimalScale__robin-7b-v2-delta

大型语言模型评估

模型基准测试

该数据集是在Open LLM Leaderboard上对模型OptimalScale/robin-7b-v2-delta进行评估时自动创建的。数据集包含61个配置，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的特定分割中找到，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，还有一个名为results的配置存储了所有运行的聚合结果，并用于计算和显示Open

Hugging Face2023-08-27 更新120

HumanPCR/HumanPCR

人类知识问答

模型基准测试

HumanPCR基准数据集预览版本，包含用于模型评估的预览数据和代码。数据集包含了多个选择题的问题提示和正确选项，但这些信息在当前预览版本中暂未公布，将在未来的更新中提供。

Hugging Face2025-05-23 更新110

🏆 AI Models Benchmark Dataset 2026 (latest)

模型基准测试

大语言模型

Comprehensive Benchmark of 188+ AI Models - LLM Performance

kaggle2026-01-13 更新220

DCAgent2/terminal_bench_2_NVIDIA_Nemotron_3_Nano_30B_A3B_BF16_20260424_044226

模型基准测试

对话评估

--- dataset_info: features: - name: conversations list: - name: content dtype: string - name: role dtype: string - name: agent dtype: string - name: model dtype

Hugging Face2026-04-25 更新110

Leading AI models success rates across VAB in 2025

资源简介：

相关数据集