Benchmark Datasets

从 BIG-bench 中筛选出的高难度子集，用于挑战性推理评测。

由社区贡献的大规模语言模型能力评测任务集合。

经典英语自然语言理解任务合集基准。

斯坦福 CRFM 提出的语言模型全面评测框架与场景集合。

持续更新的代码生成污染感知评测基准。

覆盖多学科知识问答的大规模语言模型评测基准。

在 MMLU 基础上提高难度与选项质量的增强版知识评测基准。

面向多轮对话能力的指令模型评测基准。

比 GLUE 更难的英语自然语言理解评测基准。

用于评估模型回答真实性与抗误导能力的问答基准。