数据集
136 个数据集
热门分类：
IWR-Bench 是一个专门用于评估多模态大语言模型（LVLMs）从用户交互视频中重建交互式网页能力的基准数据集。它包含近千条样本，每条样本带有详细的元信息，如交互复杂度、视觉复杂度、领域与子领域分类、录屏环境、动作序列（包括类型、参数、视觉评估标志等）以及对应的视频路径。该数据集主要面向视频理解与视觉问答任务，能够有效检验模型在理解用户操作意图并生成对应代码或结构化描述方面的表现。
GSM8K-V 是一个纯视觉的多图像数学推理基准，旨在将传统文本数学应用题转化为视觉形式。它包含 1,319 个高质量的多场景问题（共 5,343 张图像），覆盖了从现实场景中提取的数学推理任务。该基准可用于评估视觉语言模型在理解图像、跨图像推理以及解决算术问题方面的能力。评测结果表明，即使是当前最强的模型，在视觉数学推理上也与文本任务存在显著差距，凸显了该领域仍有很大的提升空间。
VIBE（Visual & Interactive Benchmark for Execution）是一个专门用于评估大语言模型（LLM）在真实全栈软件开发中能力的基准数据集。它包含200个精心设计的任务，覆盖Web前端、科学模拟、原生Android、原生iOS和后端开发五个子集，每个任务都提供了自然语言需求描述。该数据集采用创新的“Agent-as-a-Verifier”（AaaV）评估范式，从执行能力、交互逻辑和视觉表现三个维度对生成的应用程序进行综合评分，旨在推动LLM从“0到1”构建可交付应用的能力。
Robust-R1 是一个面向退化感知推理的视觉问答数据集，基于 A-OKVQA 子集构建，包含 1 万条训练样本和 1 千条验证样本，旨在提升模型在复杂视觉退化场景下的鲁棒理解能力。
CoreCognition 是一个面向多模态大语言模型的核心知识基准数据集，源于发展认知科学中的12项基本能力。它包含1,423个多模态样本和80个概念挑战问题，涉及对象持久性、空间推理、计数等人类直觉中固有的核心能力，旨在评估模型在基础认知任务上的表现。
这个数据集包含多个AI模型在价值冲突场景下的响应，以及不同评判模型对合规性的评估。数据分为三个主要子集：默认子集提供六个精选的分歧场景，涵盖各模型间的高分歧情况；完整子集包含全部超过41万条场景；评判评估子集则收录了约1.5万条由三个评判模型对部分模型响应做出的合规性判断。每个样本都记录了查询文本、多个模型的响应及其在各价值维度上的立场分数，适合用于分析模型在价值权衡中的表现。
EduBench是一个面向教育场景的综合性评估基准数据集，专门用于衡量大语言模型在多样化教学任务中的表现。它覆盖了学生和教师两大视角，共包含十个子任务，如问答、纠错、情感支持、自动出题、评分与教案生成等。数据以JSONL格式提供，每条记录包含任务元信息、输入提示词，以及多个主流大模型的预测结果，便于研究者进行对比分析。
这是一个用于训练推理模型的数据集，包含可验证的数学和编程任务。数据集共有约28.5万条训练样本，每条样本包含问题ID、任务类型、提示文本、验证信息以及一个参考模型的解答率等字段。
这是一个基于 Qwen3-30B-A3B 的 GGUF 格式量化模型，支持 128K 上下文长度，采用 Unsloth Dynamic 2.0 量化技术，在保持较高精度的同时优化了运行效率。该模型可在 llama.cpp、Ollama 等框架中直接使用，并支持通过 `/think` 和 `/no_think` 指令在推理过程中切换模型的思考模式，方便多轮对话中的灵活控制。
High_Dimensional_Time_Series 是多变量时间序列预测数据集，包含 M5、伦敦智能电表、Wikipedia 流量、全球温度和风速等序列配置。
这是一个开放的数据集，包含中英文响应语音数据，采用 Apache 2.0 许可证。数据文件以 JSONL 和压缩包格式提供，支持下载后合并与提取，适合用于语音相关任务的研究与开发。
OmniThoughtV是一个大规模多模态长思维链数据集，经过精心筛选后包含约50万条高质量样本。该数据集专注于提升模型的逐步推理能力，在视觉问答、数学推理等复杂任务上表现突出。通过微调，可以显著增强小模型的推理性能，使其在多个视觉理解与推理基准上取得更好的效果。
cloudcatcher2/VCBench
已完整同步
VCBench 是一个标准化的视觉语言模型评估框架，专注于数学领域的问答任务。该数据集提供了标准评估和 GPT 辅助评估两种方式，帮助用户衡量模型在单选题和自然语言回答上的表现。评估脚本会输出整体准确率以及按问题类型细分的准确率，方便用户深入分析模型能力。
LIFEBench是一个专门用于评估大语言模型遵循长度指令能力的综合基准数据集。它包含英文和中文两种语言，覆盖问答、摘要、文本生成等多种任务，长度约束范围从16个单词到8192个单词不等。数据集提供了多个子集（如主集、标签集、精简集和重构集），方便不同场景下的评估。通过分析多个主流模型，该数据集发现大多数模型在短长度指令上表现良好，但超过一定长度后性能急剧下降，揭示了当前大语言模型在长度遵循方面的根本性局限。
CipherBank 是一个专门用于评估大语言模型在密码解密任务中推理能力的基准数据集。它包含超过 2300 个精心设计的问题，覆盖 262 种不同的明文，涉及 5 个领域、14 个子领域，并整合了从经典密码到自定义加密方法的 3 大类共 9 种加密算法（如 Rot13、Atbash、Polybius、Vigenere 等）。这些问题聚焦于隐私敏感和真实世界的场景，旨在测试模型对加密数据的理解、操作与推理能力。
VeriWeb 是面向智能体信息检索的可验证长链网页任务基准，用于评估智能体在网页环境中的搜索、证据获取和结果验证能力。
这是一个用于多条件图形设计生成的大规模高质量数据集，包含约40万个合成样本。每个样本都带有丰富的多条件标注，涵盖主要视觉元素、次要视觉元素（附带空间与语义信息）以及文本元素（如标语或标题的布局信息）。该数据集适用于文本到图像生成等任务。
OmniConsistency 是一个大规模的多风格图像翻译数据集，包含了 22 种独特的艺术风格。每种风格都提供了对齐的图像对：原始图像（如照片或线稿）和对应的风格化图像，并附带描述该艺术风格的文本提示。该数据集适用于风格迁移、图像到图像生成、基于提示的条件生成以及一致性学习等任务。
AgentIF-OneDay 是一个专为评估通用 AI 代理在日常场景中指令跟随能力而设计的基准测试集。它包含 104 个真实感任务，覆盖工作、生活和学习三大领域，强调代理需要处理复杂附件、理解隐含指令并生成具体文件输出。任务类型包括开放工作流执行、潜在指令推断和迭代优化，每个任务均配有详细的评分标准与预期完成时间，适合用于全面衡量代理在多样化日常需求上的表现。
OpenBuddy/R1-0528-Distill 是一个包含多种格式的数据集，主要采用 JSONL 格式，同时包含 Git 属性文件和 Markdown 文档。其内容涵盖结构化文本、纯文本以及二进制数据，适合用于语言模型的蒸馏训练或相关研究。