SafeBench

kaggle2025-07-07 更新2025-10-25 收录

数据库性能

基准测试

数据链接：

https://www.kaggle.com/datasets/onefanwu/safebench 数据链接链接失效反馈

官方服务：

资源简介：

The industrial-grade benchmark for identifying memory-overloading (MO) queries

用于识别内存过载（memory-overloading, MO）查询的工业级基准测试

创建时间：

2025-07-07

team-suzuki/hle-extract-qwen3235ba22b-20250815

模型评估

基准测试

这个数据集包含了完整的人类水平评估（HLE）基准和Qwen/Qwen3-235B-A22B模型的详细评估结果。它整合了原始的team-suzuki/hle-extract数据集，并包含了全面的模型响应和人类判断。数据集包括120个问题，其中103个问题已经评估，17个问题未评估。数据集按类别划分的评估表现详细展示了不同学科领域的准确度。数据集以多种格式提供，适用于不同的研究场景。

Hugging Face2025-08-18 更新100

cais/rli-example-deliverables

AI评估

基准测试

--- license: apache-2.0 task_categories: - other language: - en tags: - evaluation - benchmark size_categories: - n<1K --- # rli-example-deliverables Example AI deliverables on the RLI public set #

Hugging Face2025-11-01 更新80

Benchmark AWS Neptune Resource on real-world dataset

图数据库

基准测试

This repository contains the resources used for benchmarking AWS Neptune with real-world datasets. It contains all the elements for reproducibility, as well as the results obtained during the benchmar

DataCite Commons2020-12-18 更新60

dev_queries.jsonl

信息检索

基准测试

dev query set of PMC-Patients ReCDS benchmark.

DataCite Commons2023-07-03 更新100

llmsql-bench/llmsql-benchmark-lm-evaluation-harness

自然语言处理

基准测试

LLMSQL基准测试是一个专为评估文本到SQL模型设计的测试集。它包含了升级版的WikiSQL数据，适用于大规模语言模型的新时代。该数据集旨在通过lm-eval工具对模型进行评估，并包含了一个准备好的lm-eval版本的数据集。

Hugging Face2025-10-09 更新80