跳到主要内容Skip to main content

Models · Data · Evaluation sets

评测集

用来量分数的题集;注意污染与版本,不要混进训练。 这一页收 3 张卡;点进单卡看许可、规模、任务适配与使用边界。

评测集

MMLU

覆盖 57 个学科的多选题,是模型知识广度的常用基线。

规模
约 1.4 万道测试题 / 57 学科
许可
MIT
获取
直接下载

题目公开已久,污染风险高;分数高不等于会做实际任务。

看数据卡 →
评测集

GSM8K

题目短、答案唯一,适合观察多步算术与推理链是否稳定。

规模
8,500 道小学应用题
许可
MIT
获取
直接下载

难度集中在小学范围;高分不代表能处理真实业务里的表格与多约束问题。

看数据卡 →
评测集

HumanEval

函数级代码生成基准,用单元测试判分,口径清楚。

规模
164 道 Python 函数题
许可
MIT
获取
直接下载

题量小,单一语言;分数波动大,不能单独代表代码能力。

看数据卡 →