https://modelscope.cn/datasets/opencompass/AIME2025，此数据集包含来自2025年美国数学邀请赛（AIME）I卷和II卷的问题。
https://modelscope.cn/datasets/modelscope/gpqa，由生物学、物理学和化学领域的专家编写并验证的多选问答数据集。
https://huggingface.co/livecodebench，从三个编程竞赛平台收集问题，分别是 LeetCode、AtCoder 和 CodeForces。
https://paperswithcode.com/dataset/arena-hard，通过 Chatbot Arena 收集的 200,000 个用户查询的数据集中的实时数据构建而成。
https://huggingface.co/datasets/cais/mmlu，Massive Multitask Language Understanding，MMLU 涵盖 57 个学科，涵盖 STEM、人文科学和社会科学，从基础到专业水平。
https://huggingface.co/datasets/haonan-li/cmmlu，中文版MMLU，涵盖了从基础学科到高级专业水平的67个主题。
https://paperswithcode.com/dataset/arc-agi，Abstraction and Reasoning Corpus - Artificial General Intelligence，用于衡量 AI 系统泛化能力和解决新颖任务能力的基准测试，更注重考察 AI 的抽象推理能力。
哈佛大学-麻省理工学院数学竞赛（HMMT）2025 年相关数学推理问题，用于评估模型的数学推理能力。