Keywords featuring LLMs compared with human annotators.

Figshare2024-10-30 更新2026-04-28 收录

关键词提取

大型语言模型评估

数据链接：

https://figshare.com/articles/dataset/Keywords_featuring_LLMs_compared_with_human_annotators_/27345811 数据链接链接失效反馈

官方服务：

资源简介：

Keywords featuring LLMs compared with human annotators.

创建时间：

2024-10-30

DCAgent2/dev_set_v2_100k_epochs3__Qwen3_8B_20260325_231128

大型语言模型评估

指令微调

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

Hugging Face2026-03-26 更新110

smalleval/mmlu-nano

大型语言模型评估

多任务语言理解

# SmallEval: Browser-Friendly LLM Evaluation Datasets 🚀 [![Created by Cloud Code AI](https://img.shields.io/badge/Created%20by-Cloud%20Code%20AI-blue)](https://cloudcode.ai) SmallEval is a curated

Hugging Face2025-01-20 更新90

ZClawBench

大型语言模型评估

多任务代理

# ZClawBench ## Overview Recent advances in agent frameworks have pushed large language models beyond conversational assistance toward **goal-driven task execution**. Among these frameworks, OpenCla

魔搭社区2026-07-15 更新40

OMNIX_Benchmarks_Latest

大型语言模型评估

模型基准测试

OMNIX Benchmarks 是一个用于评估和基准测试大型语言模型性能的数据集。它旨在通过一套标准化的指标对模型进行综合比较，涵盖格式遵循、逻辑推理、知识回忆、约束遵循、成功率（首次通过和最终）以及推理延迟等多个关键维度。该数据集支持文本生成和问答任务类别，并提供了对多个流行模型（如 Qwen、Gemma、Llama 等系列的不同版本）在上述维度上的量化评分和排名分析，帮助研究人员和开发者了解

Hugging Face2026-07-07 更新100

open-llm-leaderboard/details_chlee10__T3Q-Platypus-Mistral7B

大型语言模型评估

基准测试

该数据集是在评估模型chlee10/T3Q-Platypus-Mistral7B时自动生成的，包含63个配置，每个配置对应一个评估任务。数据集由1次运行生成，每次运行的结果作为一个特定的分割，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，results配置存储了所有运行的聚合结果，用于计算和展示在Open LLM Leaderboard上的聚合指标。

Hugging Face2024-03-12 更新90

Keywords featuring LLMs compared with human annotators.

资源简介：

相关数据集