cais/hle
Benchmark • Updated • 2.5k • 30.7k • 871
Benchmark datasets
-
-
Qwen/DeepPlanning
Viewer • Updated • 2.14k • 502 • 210 -
gaia-benchmark/GAIA
Viewer • Updated • 932 • 14.5k • 726 -
BLINK-Benchmark/BLINK
Viewer • Updated • 3.81k • 16.1k • 48 -
openai/gsm8k
Benchmark • Updated • 17.6k • 946k • 1.45k -
allenai/olmOCR-bench
Benchmark • Updated • 7.37k • 267 -
TIGER-Lab/MMLU-Pro
Benchmark • Updated • 12.1k • 145k • 499 -
openai/openai_humaneval
Viewer • Updated • 164 • 211k • 396 -
Muennighoff/mbpp
Viewer • Updated • 1.4k • 3.77k • 25 -
bigcode/bigcodebench
Viewer • Updated • 5.7k • 46.3k • 85 -
livecodebench/test_generation
Viewer • Updated • 442 • 558 • 8 -
ScaleAI/SWE-bench_Pro
Benchmark • Updated • 731 • 60.8k • 154 -
SWE-bench/SWE-bench_Verified
Benchmark • Updated • 500 • 73.2k • 109 -
mteb/arguana
Benchmark • Updated • 11.5k • 13.4k • 5 -
MathArena/hmmt_feb_2026
Benchmark • Updated • 33 • 6.34k • 6 -
Idavidrein/gpqa
Benchmark • Updated • 1.25k • 88k • 485 -
likaixin/ScreenSpot-Pro
Benchmark • Updated • 8.18k • 67 -
harborframework/terminal-bench-2.0
Benchmark • Updated • 20k • 45 -
FutureMa/EvasionBench
Benchmark • Updated • 16.7k • 390 • 110 -
internlm/WildClawBench
Benchmark • Updated • 42.9k • 63 -
FINAL-Bench/World-Model
Viewer • Updated • 100 • 355 • 41 -
llamaindex/ParseBench
Benchmark • Updated • 169k • 11k • 105 -
mteb/BRIGHT
Benchmark • Updated • 1.35M • 2.43k • 3 -
Delores-Lin/MDPBench
Benchmark • Updated • 1.8k • 21 -
collinear-ai/yc-bench
Benchmark • Updated • 115 • 18 -
nvidia/compute-eval
Benchmark • Updated • 2.46k • 753 • 27 -
Jackrong/Qwen3.5-reasoning-700x
Viewer • Updated • 633 • 1.11k • 120 -
SWE-bench/SWE-smith
Viewer • Updated • 59.1k • 17k • 55 -
mercor/apex-agents
Benchmark • Updated • 480 • 51.2k • 141 -
actava/chi-bench
Benchmark • Updated • 101 • 1.6k • 57 -
agents-last-exam/agents-last-exam
Viewer • Updated • 153 • 964 • 206 -
tiiuae/PBench
Benchmark • Updated • 6.34k • 718 • 15 -
datacurve/deep-swe
Benchmark • Updated • 113 • 681 • 20 -
meituan-longcat/WBench
Benchmark • Updated • 867 • 1.72k • 22 -
ChrisHayduk/nanofold-public
Benchmark • Updated • 11k • 1.84k • 17 -
mercor/ACE
Benchmark • Updated • 592 • 1.73k • 5 -
LEXam-Benchmark/LEXam
Benchmark • Updated • 7.54k • 1.46k • 45 -
Qwen/AgentWorldBench
Viewer • Updated • 2.17k • 2.83k • 81 -
ArtificialAnalysis/ITBench-AA
Viewer • Updated • 40 • 38.2k • 46 -
LiquidAI/ifstruct-v1.0
Benchmark • Updated • 2k • 844 • 75 -
ByteDance-Seed/EdgeBench
Viewer • Updated • 51 • 9.07k • 77 -
crosbylegal/RedlineBench
Benchmark • Updated • 140 • 5.05k • 14 -
ARTPARK-IISc/Vaani-Benchmark-V1.0
Benchmark • Updated • 8.91k • 815 • 7 -
benchflow/skillsbench
Benchmark • Updated • 2.22k • 12 -
MME-Benchmarks/Video-MME-v2
Benchmark • Updated • 3.2k • 5.97k • 43 -
MiniMaxAI/role-play-bench
Viewer • Updated • 6.37k • 394 • 143 -
MiniMaxAI/VIBE
Viewer • Updated • 200 • 157 • 278