cais/hle
Benchmark • Updated • 2.5k • 27.1k • 1.01k
Benchmark datasets
-
-
Qwen/DeepPlanning
Viewer • Updated • 2.14k • 5.18k • 214 -
gaia-benchmark/GAIA
Viewer • Updated • 932 • 11.4k • 879 -
BLINK-Benchmark/BLINK
Viewer • Updated • 3.81k • 13.5k • 49 -
openai/gsm8k
Benchmark • Updated • 17.6k • 1.03M • 1.96k -
allenai/olmOCR-bench
Benchmark • Updated • 15.5k • 300 -
TIGER-Lab/MMLU-Pro
Benchmark • Updated • 12.1k • 223k • 546 -
openai/openai_humaneval
Viewer • Updated • 164 • 246k • 405 -
Muennighoff/mbpp
Viewer • Updated • 1.4k • 4.17k • 29 -
bigcode/bigcodebench
Viewer • Updated • 5.7k • 159k • 91 -
livecodebench/test_generation
Viewer • Updated • 442 • 817 • 8 -
ScaleAI/SWE-bench_Pro
Benchmark • Updated • 1.42k • 43.8k • 189 -
SWE-bench/SWE-bench_Verified
Benchmark • Updated • 500 • 132k • 173 -
mteb/arguana
Benchmark • Updated • 11.5k • 21.5k • 7 -
MathArena/hmmt_feb_2026
Benchmark • Updated • 33 • 18.5k • 31 -
Idavidrein/gpqa
Benchmark • Updated • 1.25k • 111k • 580 -
likaixin/ScreenSpot-Pro
Benchmark • Updated • 18.6k • 68 -
harborframework/terminal-bench-2.0
Benchmark • Updated • 61.3k • 51 -
FutureMa/EvasionBench
Benchmark • Updated • 16.7k • 463 • 110 -
internlm/WildClawBench
Benchmark • Updated • 9.47k • 72 -
FINAL-Bench/World-Model
Viewer • Updated • 100 • 460 • 48 -
llamaindex/ParseBench
Benchmark • Updated • 169k • 26.2k • 136 -
mteb/BRIGHT
Benchmark • Updated • 1.35M • 2.74k • 4 -
Delores-Lin/MDPBench
Benchmark • Updated • 1.64k • 48 -
collinear-ai/yc-bench
Benchmark • Updated • 192 • 20 -
nvidia/compute-eval
Viewer • Updated • 3.1k • 810 • 30 -
Jackrong/Qwen3.5-reasoning-700x
Viewer • Updated • 633 • 277 • 127 -
SWE-bench/SWE-smith
Viewer • Updated • 59.1k • 89.7k • 58 -
mercor/apex-agents
Benchmark • Updated • 480 • 98.8k • 203 -
actava/chi-bench
Benchmark • Updated • 101 • 8.57k • 63 -
agents-last-exam/agents-last-exam
Benchmark • Updated • 151 • 3.84k • 214 -
tiiuae/PBench
Benchmark • Updated • 6.34k • 1.07k • 19 -
datacurve/deep-swe
Benchmark • Updated • 113 • 1.22k • 84 -
meituan-longcat/WBench
Benchmark • Updated • 867 • 2.31k • 26 -
ChrisHayduk/nanofold-public
Benchmark • Updated • 11k • 179 • 17 -
mercor/ACE
Benchmark • Updated • 592 • 205 • 6 -
LEXam-Benchmark/LEXam
Benchmark • Updated • 7.54k • 1.73k • 71 -
Qwen/AgentWorldBench
Viewer • Updated • 2.17k • 976 • 109 -
ArtificialAnalysis/ITBench-AA
Viewer • Updated • 40 • 3.44k • 47 -
LiquidAI/ifstruct-v1.0
Benchmark • Updated • 2k • 610 • 103 -
ByteDance-Seed/EdgeBench
Viewer • Updated • 51 • 4.71k • 86 -
crosbylegal/RedlineBench
Benchmark • Updated • 140 • 1.96k • 17 -
ARTPARK-IISc/Vaani-Benchmark-V1.0
Benchmark • Updated • 8.91k • 228 • 7 -
benchflow/skillsbench
Benchmark • Updated • 5.69k • 16 -
MME-Benchmarks/Video-MME-v2
Benchmark • Updated • 3.2k • 14.8k • 49 -
MiniMaxAI/role-play-bench
Viewer • Updated • 6.37k • 558 • 152 -
MiniMaxAI/VIBE
Viewer • Updated • 200 • 250 • 279 -
microsoft/ThinkingBox-Bench
Viewer • Updated • 513 • 240 • 15 -
harborframework/terminal-bench-2.1
Benchmark • Updated • 89 • 153k • 15 -
harborframework/terminal-bench-3.0
Benchmark • Updated • 132k • 6 -
llamaindex/ExtractBench
Benchmark • Updated • 370 • 15.7k • 58 -
IntelligenceLab/Long-Horizon-Terminal-Bench
Benchmark • Updated • 46 • 21k • 138 -
nvidia/PBench
Viewer • Updated • 1.04k • 36 • 19 -
nyu-mll/glue
Viewer • Updated • 1.49M • 519k • 1.13k -
zouhar/last-translation-benchmark
Viewer • Updated • 3.46k • 594 • 61 -
AlignmentResearch/HarmBench
Viewer • Updated • 400 • 229 -
joelniklaus/LEXam-hard
Benchmark • Updated • 518 • 864 • 24 -
harborframework/terminal-bench-science
Benchmark • Updated • 70 • 60.7k • 6 -
harborframework/terminal-bench
Benchmark • Updated • 66 • 96.3k • 6