> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-agents-md-product-conventions.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Evaluation 벤치마크 카탈로그

> LLM Evaluation Jobs를 통해 제공되는 Evaluation 벤치마크를 살펴보세요


<Note>
  LLM 평가 작업은 [W\&B Multi-tenant Cloud](/ko/platform/hosting/hosting-options/multi_tenant_cloud)에서 **프리뷰** 기능으로 제공됩니다. 프리뷰 기간에는 컴퓨팅이 무료입니다. 자세한 내용은 [LLM Evaluation Jobs 가격](/ko/models/launch#pricing)을 참조하세요.
</Note>

이 페이지에는 [LLM Evaluation Jobs](/ko/models/launch)를 통해 사용 가능한 Evaluation 벤치마크가 범주별로 정리되어 있습니다. 이 페이지를 사용해 실행할 수 있는 벤치마크를 찾고, 해당 Task ID를 파악하고, 벤치마크에 추가 자격 증명이 필요한지 확인하세요.

일부 벤치마크에는 추가 자격 증명이 필요합니다. 팀 관리자는 팀 멤버가 평가 작업에서 벤치마크를 사용하기 전에 이러한 자격 증명을 [team-scoped secrets](/ko/platform/secrets#add-a-secret)로 추가해야 합니다.

* 벤치마크의 **OpenAI Scorer** 열에 `Yes`가 있으면 해당 벤치마크는 채점에 OpenAI 모델을 사용합니다. 조직 또는 팀 관리자는 OpenAI API 키를 팀 secret으로 추가해야 합니다. 이 요구 사항이 있는 벤치마크로 평가 작업을 설정할 때는 **Scorer API key** 필드에 해당 secret을 설정하세요.
* 벤치마크의 **제한된 HF 데이터셋** 열에 링크가 있으면 해당 벤치마크는 제한된 Hugging Face 데이터셋에 대한 액세스가 필요합니다. 조직 또는 팀 관리자는 Hugging Face에서 해당 데이터셋에 대한 액세스를 요청해야 합니다. 그런 다음 관리자가 Hugging Face 사용자 액세스 토큰을 생성하고, 해당 토큰으로 팀 secret을 구성합니다. 이 요구 사항이 있는 벤치마크를 설정할 때는 **Hugging Face Token** 필드에 해당 secret을 설정하세요.

<div id="knowledge">
  ## 지식
</div>

과학, 언어, 일반 추론 등 다양한 영역의 사실적 지식을 평가합니다.

| 평가 | Task ID | <div className="!w-[100px]">OpenAI Scorer</div> | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [BoolQ](https://github.com/google-research-datasets/boolean-questions) | `boolq` | | | 자연어 질의로 구성된 불리언 예/아니오 질문 |
| [GPQA Diamond](https://arxiv.org/abs/2311.12022) | `gpqa_diamond` | | | 대학원 수준의 과학 문제(가장 품질이 높은 하위 집합) |
| [HLE](https://arxiv.org/abs/2501.14249) | `hle` | | 예 | 인간 수준 평가 벤치마크 |
| [Lingoly](https://arxiv.org/abs/2406.06196) | `lingoly` | | 예 | 언어학 올림피아드 문제 |
| [Lingoly Too](https://arxiv.org/abs/2503.02972) | `lingoly_too` | | 예 | 확장된 언어학 챌린지 문제 |
| [MMIU](https://arxiv.org/abs/2408.02718) | `mmiu` | | | 대규모 멀티태스크 언어 이해 벤치마크 |
| [MMLU (0-shot)](https://github.com/hendrycks/test) | `mmlu_0_shot` | | | 예시 없는 대규모 멀티태스크 언어 이해 |
| [MMLU (5-shot)](https://github.com/hendrycks/test) | `mmlu_5_shot` | | | 예시 5개가 포함된 대규모 멀티태스크 언어 이해 |
| [MMLU-Pro](https://arxiv.org/abs/2406.01574) | `mmlu_pro` | | | MMLU의 더 어려운 버전 |
| [ONET M6](https://github.com/UKGovernmentBEIS/inspect_evals/tree/main/src/inspect_evals/onet) | `onet_m6` | | | 직무 지식 벤치마크 |
| [PAWS](https://github.com/google-research-datasets/paws) | `paws` | | | 적대적 단어 치환 기반 패러프레이즈 |
| [SevenLLM MCQ (English)](https://arxiv.org/abs/2405.03446) | `sevenllm_mcq_en` | | | 영어 객관식 문제 |
| [SevenLLM MCQ (Chinese)](https://arxiv.org/abs/2405.03446) | `sevenllm_mcq_zh` | | | 중국어 객관식 문제 |
| [SevenLLM QA (English)](https://arxiv.org/abs/2405.03446) | `sevenllm_qa_en` | | | 영어 질의응답 |
| [SevenLLM QA (Chinese)](https://arxiv.org/abs/2405.03446) | `sevenllm_qa_zh` | | | 중국어 질의응답 |
| [SimpleQA](https://openai.com/index/introducing-simpleqa/) | `simpleqa` | 예 | | 단순한 사실 기반 질의응답 |
| [SimpleQA Verified](https://openai.com/index/introducing-simpleqa/) | `simpleqa_verified` | | | 검증된 답변이 포함된 SimpleQA의 검증 하위 집합 |
| [WorldSense](https://github.com/facebookresearch/worldsense) | `worldsense` | | | 세계 지식과 상식에 대한 이해를 평가 |

<div id="reasoning">
  ## 추론
</div>

논리적 사고, 문제 해결, 상식적 추론 능력을 평가합니다.

| 평가 | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [AGIE AQUA-RAT](https://arxiv.org/abs/1705.04146) | `agie_aqua_rat` | | | 풀이 근거를 포함한 대수 문제 질의응답 |
| [AGIE LogiQA (English)](https://arxiv.org/abs/2007.08124) | `agie_logiqa_en` | | | 영어 논리 추론 문제 |
| [AGIE LSAT Analytical Reasoning](https://www.lsac.org/) | `agie_lsat_ar` | | | LSAT 분석적 추론(로직 게임) 문제 |
| [AGIE LSAT Logical Reasoning](https://www.lsac.org/) | `agie_lsat_lr` | | | LSAT 논리 추론 문제 |
| [ARC Challenge](https://huggingface.co/datasets/allenai/ai2_arc) | `arc_challenge` | | | 추론이 필요한 어려운 과학 문제(AI2 Reasoning Challenge) |
| [ARC Easy](https://huggingface.co/datasets/allenai/ai2_arc) | `arc_easy` | | | ARC 데이터셋의 비교적 쉬운 과학 문제 모음 |
| [BBH](https://github.com/suzgunmirac/BIG-Bench-Hard) | `bbh` | | | BIG-Bench Hard: BIG-Bench의 어려운 작업 |
| [CoCoNot](https://arxiv.org/abs/2310.03697) | `coconot` | | | 반사실적 상식 추론 벤치마크 |
| [CommonsenseQA](https://huggingface.co/datasets/tau/commonsense_qa) | `commonsense_qa` | | | 상식 추론 문제 |
| [HellaSwag](https://arxiv.org/abs/1905.07830) | `hellaswag` | | | 상식 기반 자연어 추론 |
| [MUSR](https://arxiv.org/abs/2310.16049) | `musr` | | | 다단계 추론 벤치마크 |
| [PIQA](https://yonatanbisk.com/piqa/) | `piqa` | | | 물리 상식 추론 |
| [WinoGrande](https://winogrande.allenai.org/) | `winogrande` | | | 대명사 해소를 통한 상식 추론 |

<div id="math">
  ## 수학
</div>

초등 수준부터 경시대회 수준까지, 다양한 난이도의 수학 문제 해결 능력을 평가합니다.

| 평가 | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [AGIE Math](https://arxiv.org/abs/2410.12211) | `agie_math` | | | AGIE 벤치마크 모음의 고급 수학 추론 |
| [AGIE SAT Math](https://satsuite.collegeboard.org/sat) | `agie_sat_math` | | | SAT 수학 문제 |
| [AIME 2024](https://artofproblemsolving.com/wiki/index.php/AIME_Problems_and_Solutions) | `aime2024` | | | 2024년 American Invitational Mathematics Examination 문제 |
| [AIME 2025](https://artofproblemsolving.com/wiki/index.php/AIME_Problems_and_Solutions) | `aime2025` | | | 2025년 American Invitational Mathematics Examination 문제 |
| [GSM8K](https://github.com/openai/grade-school-math) | `gsm8k` | | | Grade School Math 8K: 여러 step으로 이루어진 수학 문장제 문제 |
| [InfiniteBench Math Calc](https://arxiv.org/abs/2402.13718) | `infinite_bench_math_calc` | | | 긴 문맥에서의 수학 계산 |
| [InfiniteBench Math Find](https://arxiv.org/abs/2402.13718) | `infinite_bench_math_find` | | | 긴 문맥에서 수학적 패턴 찾기 |
| [MATH](https://github.com/hendrycks/math) | `math` | | | 경시대회 수준의 수학 문제 |
| [MGSM](https://github.com/google-research/url-nlp/tree/main/mgsm) | `mgsm` | | | 다국어 Grade School Math |

<div id="code">
  ## 코드
</div>

디버깅, 코드 실행 예측, 함수 호출 등 프로그래밍 및 소프트웨어 개발 역량을 평가합니다.

| 평가 | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [BFCL](https://gorilla.cs.berkeley.edu/blogs/8_berkeley_function_calling_leaderboard.html) | `bfcl` | | | Berkeley Function Calling Leaderboard: 함수 호출 및 도구 사용 역량을 테스트합니다 |
| [InfiniteBench Code Debug](https://arxiv.org/abs/2402.13718) | `infinite_bench_code_debug` | | | 긴 컨텍스트 코드 디버깅 작업 |
| [InfiniteBench Code Run](https://arxiv.org/abs/2402.13718) | `infinite_bench_code_run` | | | 긴 컨텍스트 코드 실행 예측 |

<div id="reading">
  ## 읽기
</div>

복잡한 텍스트의 독해력과 정보 추출 능력을 평가합니다.

| Evaluation | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [AGIE LSAT Reading Comprehension](https://www.lsac.org/) | `agie_lsat_rc` | | | LSAT 독해 지문과 문제 |
| [AGIE SAT English](https://satsuite.collegeboard.org/sat) | `agie_sat_en` | | | 지문이 포함된 SAT 읽기 및 쓰기 문제 |
| [AGIE SAT English (No Passage)](https://satsuite.collegeboard.org/sat) | `agie_sat_en_without_passage` | | | 지문 없이 제공되는 SAT 영어 문제 |
| [DROP](https://github.com/allenai/allennlp-reading-comprehension/blob/master/allennlp_rc/eval/drop_eval.py) | `drop` | | | 문단 기반 이산 추론: 수치 추론이 필요한 독해 |
| [RACE-H](https://www.cs.cmu.edu/~glai1/data/race/) | `race_h` | | | 영어 시험 기반 독해 문제(고난도) |
| [SQuAD](https://rajpurkar.github.io/SQuAD-explorer/) | `squad` | | | Stanford 질문 답변 데이터셋: 위키백과 문서에 대한 추출형 질문 답변 |

<div id="long-context">
  ## 긴 컨텍스트
</div>

검색과 패턴 인식을 포함해, 긴 컨텍스트를 처리하고 그 위에서 추론하는 능력을 평가합니다.

| Evaluation | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [InfiniteBench KV Retrieval](https://arxiv.org/abs/2402.13718) | `infinite_bench_kv_retrieval` | | | 긴 컨텍스트에서 키-값 검색 |
| [InfiniteBench LongBook (English)](https://arxiv.org/abs/2402.13718) | `infinite_bench_longbook_choice_eng` | | | 긴 분량의 책에 대한 객관식 질문 |
| [InfiniteBench LongDialogue QA (English)](https://arxiv.org/abs/2402.13718) | `infinite_bench_longdialogue_qa_eng` | | | 긴 대화를 대상으로 한 질의응답 |
| [InfiniteBench Number String](https://arxiv.org/abs/2402.13718) | `infinite_bench_number_string` | | | 긴 시퀀스에서 숫자 패턴 인식 |
| [InfiniteBench Passkey](https://arxiv.org/abs/2402.13718) | `infinite_bench_passkey` | | | 긴 컨텍스트에서 정보 검색 |
| [NIAH](https://arxiv.org/abs/2406.07230) | `niah` | | | 건초더미에서 바늘 찾기: 긴 컨텍스트 검색 테스트 |

<div id="safety">
  ## 안전
</div>

정렬, 편향 탐지, 유해 콘텐츠에 대한 저항성, 진실성을 평가합니다.

| 평가 | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [AgentHarm](https://arxiv.org/abs/2410.09024) | `agentharm` | 예 | | 유해한 에이전트 행동 및 오용 시나리오에 대한 모델의 저항성을 테스트합니다 |
| [AgentHarm Benign](https://arxiv.org/abs/2410.09024) | `agentharm_benign` | 예 | | 거짓 양성 비율을 측정하기 위한 AgentHarm의 무해한 기준선입니다 |
| [Agentic Misalignment](https://arxiv.org/abs/2510.05179) | `agentic_misalignment` | | | 에이전트적 행동에서 발생할 수 있는 정렬 불일치 가능성을 평가합니다 |
| [AHB](https://arxiv.org/abs/2503.04804) | `ahb` | | | Agent Harmful Behavior: 유해한 에이전트적 행동에 대한 저항성을 테스트합니다 |
| [AIRBench](https://arxiv.org/abs/2410.02407) | `air_bench` | | | 적대적 지시문에 대한 저항성을 테스트합니다 |
| [BBEH](https://arxiv.org/abs/2502.19187) | `bbeh` | | | 유해한 행동을 평가하기 위한 편향 벤치마크 |
| [BBEH Mini](https://arxiv.org/abs/2502.19187) | `bbeh_mini` | | | BBEH 벤치마크의 소규모 버전 |
| [BBQ](https://arxiv.org/abs/2110.08193) | `bbq` | | | Question Answering을 위한 편향 벤치마크 |
| [BOLD](https://arxiv.org/abs/2101.11718) | `bold` | | | 개방형 언어 생성 데이터셋의 편향 |
| [CYSE3 Visual Prompt Injection](https://arxiv.org/abs/2408.01605) | `cyse3_visual_prompt_injection` | | | 시각적 프롬프트 인젝션 공격에 대한 저항성을 테스트합니다 |
| [Make Me Pay](https://arxiv.org/abs/2410.08691) | `make_me_pay` | | | 금융 사기 및 사기 시나리오에 대한 저항성을 테스트합니다 |
| [MASK](https://arxiv.org/abs/2503.03750) | `mask` | 예 | 예 | 민감한 정보를 모델이 처리하는 방식을 테스트합니다 |
| [Personality BFI](https://github.com/UKGovernmentBEIS/inspect_evals/tree/main/src/inspect_evals/personality) | `personality_BFI` | | | Big Five 성격 특성 평가 |
| [Personality TRAIT](https://arxiv.org/abs/2406.14703) | `personality_TRAIT` | | 예 | 포괄적인 성격 특성 평가 |
| SOSBench | `sosbench` | 예 | | 안전성과 감독에 대한 스트레스 테스트 |
| [StereoSet](https://github.com/moinnadeem/StereoSet) | `stereoset` | | | 언어 모델의 고정관념적 편향을 측정합니다 |
| [StrongREJECT](https://arxiv.org/abs/2402.10260) | `strong_reject` | | | 유해한 요청을 거부하는 모델의 능력을 테스트합니다 |
| [Sycophancy](https://arxiv.org/abs/2310.13548) | `sycophancy` | | | 아첨하는 경향을 평가합니다 |
| [TruthfulQA](https://github.com/sylinrl/TruthfulQA) | `truthfulqa` | | | 모델의 진실성과 거짓 정보에 대한 저항성을 테스트합니다 |
| [UCCB](https://huggingface.co/datasets/CraneAILabs/UCCB) | `uccb` | | | 유해 콘텐츠 분류 벤치마크 |
| [WMDP Bio](https://www.wmdp.ai/) | `wmdp_bio` | | | 생물학 분야의 위험한 지식을 테스트합니다 |
| [WMDP Chem](https://www.wmdp.ai/) | `wmdp_chem` | | | 화학 분야의 위험한 지식을 테스트합니다 |
| [WMDP Cyber](https://www.wmdp.ai/) | `wmdp_cyber` | | | 사이버 보안 분야의 위험한 지식을 테스트합니다 |
| [XSTest](https://arxiv.org/abs/2308.01263) | `xstest` | 예 | | 과도한 거부 탐지를 위한 과장된 안전성 테스트 |

<div id="domain-specific">
  ## 도메인 특화
</div>

의학, 화학, 법률, 생물학 및 기타 전문 분야의 전문 지식을 평가합니다.

| 평가 | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [ChemBench](https://arxiv.org/abs/2404.01475) | `chembench` | | | 화학 지식 및 문제 해결 벤치마크 |
| [HealthBench](https://arxiv.org/abs/2406.09746) | `healthbench` | Yes | | 헬스케어 및 의학 지식 평가 |
| [HealthBench Consensus](https://arxiv.org/abs/2406.09746) | `healthbench_consensus` | Yes | | 전문가 합의가 반영된 헬스케어 질문 |
| [HealthBench Hard](https://arxiv.org/abs/2406.09746) | `healthbench_hard` | Yes | | 까다로운 헬스케어 시나리오 |
| [LabBench Cloning Scenarios](https://arxiv.org/abs/2407.10362) | `lab_bench_cloning_scenarios` | | | 실험실 실험 계획 및 클로닝 |
| [LabBench DBQA](https://arxiv.org/abs/2407.10362) | `lab_bench_dbqa` | | | 실험실 시나리오를 위한 데이터베이스 질의응답 |
| [LabBench FigQA](https://arxiv.org/abs/2407.10362) | `lab_bench_figqa` | | | 과학적 맥락에서의 그림 해석 |
| [LabBench LitQA](https://arxiv.org/abs/2407.10362) | `lab_bench_litqa` | | | 연구용 문헌 기반 질의응답 |
| [LabBench ProtocolQA](https://arxiv.org/abs/2407.10362) | `lab_bench_protocolqa` | | | 실험실 프로토콜 이해 |
| [LabBench SeqQA](https://arxiv.org/abs/2407.10362) | `lab_bench_seqqa` | | | 생물학적 서열 분석 질문 |
| [LabBench SuppQA](https://arxiv.org/abs/2407.10362) | `lab_bench_suppqa` | | | 보충 자료 해석 |
| [LabBench TableQA](https://arxiv.org/abs/2407.10362) | `lab_bench_tableqa` | | | 과학 논문의 표 해석 |
| [MedQA](https://github.com/jind11/MedQA) | `medqa` | | | 의사 면허 시험 문제 |
| [PubMedQA](https://pubmedqa.github.io/) | `pubmedqa` | | | 연구 초록 기반 생의학 질의응답 |
| [SEC-QA v1](https://arxiv.org/abs/2406.14806) | `sec_qa_v1` | | | SEC 공시 문서 질의응답 |
| [SEC-QA v1 (5-shot)](https://arxiv.org/abs/2406.14806) | `sec_qa_v1_5_shot` | | | 예시 5개를 사용한 SEC-QA |
| [SEC-QA v2](https://arxiv.org/abs/2406.14806) | `sec_qa_v2` | | | 업데이트된 SEC 공시 문서 벤치마크 |
| [SEC-QA v2 (5-shot)](https://arxiv.org/abs/2406.14806) | `sec_qa_v2_5_shot` | | | 예시 5개를 사용한 SEC-QA v2 |

<div id="multimodal">
  ## 멀티모달
</div>

시각적 입력과 텍스트 입력을 결합해 비전 및 언어 이해를 평가합니다.

| 평가 | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [DocVQA](https://www.docvqa.org/) | `docvqa` | | | 문서 이미지에 대한 질문에 답하는 문서 시각 질의응답 |
| [MathVista](https://mathvista.github.io/) | `mathvista` | | | 비전과 수학을 결합한 시각적 맥락에서의 수학적 추론 |
| [MMMU Multiple Choice](https://mmmu-benchmark.github.io/) | `mmmu_multiple_choice` | | | 객관식 형식의 멀티모달 이해 |
| [MMMU Open](https://mmmu-benchmark.github.io/) | `mmmu_open` | | | 개방형 응답 형식의 멀티모달 이해 |
| [V\*Star Bench Attribute Recognition](https://arxiv.org/abs/2411.10006) | `vstar_bench_attribute_recognition` | | | 시각적 속성 인식 작업 |
| [V\*Star Bench Spatial Relationship](https://arxiv.org/abs/2411.10006) | `vstar_bench_spatial_relationship_reasoning` | | | 시각적 입력을 활용한 공간 추론 |

<div id="instruction-following">
  ## 지시사항 준수
</div>

특정 지시사항과 형식 요구사항 준수 여부를 평가합니다.

| 평가 | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [IFEval](https://arxiv.org/abs/2311.07911) | `ifeval` | | | 정확한 지시사항 준수 능력을 테스트합니다 |

<div id="system">
  ## 시스템
</div>

기본 시스템 검증 및 사전 점검.

| 평가 | Task ID | OpenAI Scorer | 제한된 HF 데이터셋 | 설명 |
| - | - | - | - | - |
| [Pre-Flight](https://github.com/UKGovernmentBEIS/inspect_evals) | `pre_flight` | | | 기본 시스템 점검 및 검증 테스트 |

<div id="next-steps">
  ## 다음 단계
</div>

* [모델 체크포인트 평가하기](/ko/models/launch/evaluate-model-checkpoint)
* [호스팅된 API 모델 평가하기](/ko/models/launch/evaluate-hosted-model)
* [AISI Inspect Evals](https://inspect.aisi.org.uk/evals/)에서 특정 벤치마크의 자세한 내용을 확인하세요