cais/hle
Benchmark • Updated • 2.5k • 46.3k • 778
Benchmark datasets
-
-
Qwen/DeepPlanning
Viewer • Updated • 2.14k • 688 • 195 -
gaia-benchmark/GAIA
Viewer • Updated • 932 • 20.4k • 644 -
BLINK-Benchmark/BLINK
Viewer • Updated • 3.81k • 16.3k • 41 -
openai/gsm8k
Benchmark • Updated • 17.6k • 788k • 1.26k -
allenai/olmOCR-bench
Benchmark • Updated • 4.39k • 188 -
TIGER-Lab/MMLU-Pro
Benchmark • Updated • 12.1k • 108k • 467 -
openai/openai_humaneval
Viewer • Updated • 164 • 216k • 379 -
Muennighoff/mbpp
Viewer • Updated • 1.4k • 1.89k • 23 -
bigcode/bigcodebench
Viewer • Updated • 5.7k • 46.8k • 77 -
livecodebench/test_generation
Viewer • Updated • 442 • 1.2k • 7 -
ScaleAI/SWE-bench_Pro
Benchmark • Updated • 731 • 413k • 88 -
SWE-bench/SWE-bench_Verified
Benchmark • Updated • 500 • 131k • 31 -
mteb/arguana
Benchmark • Updated • 11.5k • 15.3k • 5 -
MathArena/hmmt_feb_2026
Benchmark • Updated • 33 • 2.32k • 1 -
Idavidrein/gpqa
Benchmark • Updated • 1.25k • 100k • 415 -
likaixin/ScreenSpot-Pro
Benchmark • Updated • 10.8k • 60 -
harborframework/terminal-bench-2.0
Benchmark • Updated • 3.84k • 24 -
FutureMa/EvasionBench
Benchmark • Updated • 16.7k • 262 • 85 -
internlm/WildClawBench
Updated • 12.1k • 50 -
FINAL-Bench/World-Model
Viewer • Updated • 100 • 2.36k • 28 -
llamaindex/ParseBench
Benchmark • Updated • 169k • 5.61k • 46 -
mteb/BRIGHT
Benchmark • Updated • 1.35M • 924 • 2 -
Delores-Lin/MDPBench
Benchmark • Updated • 23.3k • 12 -
collinear-ai/yc-bench
Benchmark • Updated • 157 • 15 -
nvidia/compute-eval
Benchmark • Updated • 2.46k • 4.49k • 22 -
Jackrong/Qwen3.5-reasoning-700x
Viewer • Updated • 633 • 6.88k • 107