KUMO是一个评估大型语言模型复杂推理能力的基准测试数据集，通过程序生成的推理游戏进行。数据集包含五个环境：MedicalEnv、EducationEnv、MusicEnv、FantasyEnv和ChemicalEnv，每个环境有50个示例。还包括100个自动生成的示例领域，涉及计算机科学、生物学、艺术等多个类别，每个领域包含约50个真相和30个动作。

Hugging Face2025-04-10 更新90

asingh15/arc-barc-processed-direct-max4k-gpt5miniabstractions-comparegold-test-uf-qwensols-4of16

推理评估

模型性能测试

--- dataset_info: features: - name: prompt dtype: string - name: responses list: string - name: train dtype: string - name: test dtype: string - name: source dtype: str

Hugging Face2025-12-16 更新70

riddle_sense

推理评估

谜语问答理解

RiddleSense专注于谜语风格的常识问答，旨在评估模型在复杂常识推理、比喻语言理解和反事实推理方面的能力。它包含5.7k个示例，提供了一个多项选择的问答任务数据集，其中包含问题、答案以及多个选项。数据集分为训练集、验证集和测试集，每个样本包括问题文本、答案选项（标签和文本）以及正确答案的键值。该数据集的授权许可允许用户将其用于研究目的，但禁止商业用途和二次分发。

OpenCSG2024-07-19 更新110

Performance evaluation of inference methods on DREAM4 10-gene and 100-gene continuous data sets.

基因调控网络

推理评估

Performance evaluation of inference methods on DREAM4 10-gene and 100-gene continuous data sets.

NIAID Data Ecosystem70