🧩 MicroEvals

A collection of physics animations, mostly using p5.js

Inspired by Simon Willison's pelican on a bicycle test

Easy questions that LLMs still trip up on

80s-style arcade racing games

Models responses to life questions

A series of challenging ASCII artworks in different styles

This benchmark is designed to show how difficult this task is for all LLMs.

Generate a complete, ready-to-play browser game with a single prompt

Renal physiology quiz.

Clone of Hacker News website

Endocrine system quiz. Disclaimer: translated from spanish to english

A variety of difficult programming tests with complex input and output parameters.

A Twist on the Snake Game where the snake is having an existential crisis

Generate the complete HTML, CSS, and JavaScript code for a web-based simulation of Conway's Game of Life.

An ASCII artwork of the Eiffel Tower

This microeval asks the LLM to produce a single HTML code block with optional CSS JavaScript and GLSL that renders a full screen Julia set shader animation with smooth color transitions from golden yellow through orange magenta purple to deep indigo, continuously morphs via a rotating complex constant, supports click and drag panning mouse wheel or pinch zoom and a space bar toggle for play and pause, and relies solely on Three.js loaded from a CDN.

Who will win the battle of the 7 seater SUV fight to the death

First test

Testing a few simple experimentations and visualizations

Pico

Words spelt out using indexes of the key on a QWERTY keyboard

Cette évaluation contient des exemples de dialogues simulant des consultations pharmaceutiques courantes. Les prompts incluent des demandes de conseils sur des vitamines, des symptômes bénins, ou des situations nécessitant une évaluation initiale avant orientation vers un professionnel de santé. Ils sont conçus pour tester la capacité d’un modèle à fournir des réponses utiles, sécuritaires et conformes aux bonnes pratiques pharmaceutiques.

Assorted SVG generation prompts

Write a tweet-length sci-fi story

Perplexity AI:

Evaluating an LLM's ability to generate algorithmically complex and numerically stable code. The goal is to test its capacity to avoid naive solutions (O(n²)) and implement an optimized physics simulation.

An visual IQ test generator

Use svg

Can the models correctly write Svelte 5 components? Do they avoid using patterns from earlier versions?

Cardiac phisiology quiz.

Testing knowledge of Czech culture and language - designed to test smaller models based on https://semanticmachines.notion.site/evals

Glasses of wine are traditionally only half-full.

Kenta

Write a SVG animation that draws a cute kitten using html and css.

The 10 public Simple Bench questions (https://simple-bench.com/)

API Key for "diqddi88@gmail.com"

Reasoning should include the ability to generalize to unfamiliar words instead of memorizing answers. Let's see if models can detect the number of 'r's in the word "strawrbrerrry."

A basic minecraft 3D eval. It should create a basic chunk with a greedy mesher, block placing and distroying and fps camera

The purpose of this is to evaluate how good various AI models are at a variety of Minecraft skills like planning, designing, puzzles, and providing accurate information. It’ll also test to see how good each AI is at coding a web app clone of the game.

More 't' s and a 'T' is added to confuse AI

Simple and detailed prompt and persian version

A set of difficult tasks with the theme of emoji's including: tier list creation, music creation and, themeable website creation.

Detailed prompt and simple prompt

Persian prompts but translated in output

Visual perception of the 5 most important unsolved concepts in mathematics!

=)))

How well can AI create fun, little games as web apps that can be played on mobile devices? This benchmark tests AI’s abilities to generate good mobile UI and controls as well as basic gameplay experiences.

mnf

5 challenging math problem

building a versions of the greatest old retro video games of all time

Testing the AI capability to list every possible things that mentioned.

This could be used to detect bias in data.

I want you to give me the sea horse emoji, do you have like that

from https://x.com/goodside/status/1934833254726521169/photo/1

THE AI CAN MAKE AN INFOGRAPH ABOUT THE COMPOSITION OF THE GOV.

kellie marie lombardo

Prompt: "A luxurious, futuristic chocolate box design for ‘GARNET CHOCO’, shaped unlike any traditional market boxes — inspired by the elegance of a phoenix and a heart-shaped garnet gemstone. The box has a smooth, sculpted 3D surface with layered wing patterns embossed in deep burgundy and gold accents, giving a royal and premium feel. The lid opens in a unique petal or wing-spread motion, revealing individually wrapped chocolates in jewel-like compartments. The center of the lid features the Garnet Choco round logo in metallic gold and ruby red, glowing softly. The box should have an ultra-premium, limited-edition vibe with a mix of matte velvet texture and glossy gemstone highlights, photographed in dramatic studio lighting against a dark silk background with golden sparkles."

This benchmark tests an LLM's ultimate zero-shot creativity and advanced coding skills. The goal is to evaluate its ability to interpret abstract, surreal, and metaphorical concepts and translate them into a coherent, interactive 3D experience using Three.js. This goes beyond standard code generation to test true conceptual modeling.

This benchmark tests an LLM's ability to interpret and implement abstract, philosophical, and artistic theories. It requires the model to translate Wassily Kandinsky's theories on synesthesia (the connection between sound, color, and shape) into an interactive audio-visual experience. Success is judged on the creative fidelity to the artistic concept, not just technical execution.

Special upbeat classical music playlist for focus.

Micro gold

Tetris that runs in a web browser

Attempted proof of it

Test

Supply and Demand model for ABF

-

Ahmed

syuaib

nbhvvg

This prompt tests knowledge and design sense of coding models. It compares smaller and larger models of the same family.

Shows how well the best models can write.

Race 3d

一个帮助糖友管理日常饮食、住院记录、生活娱乐的助手

NHH

This asks about an Australian case that is widely cited, but not widely mentioned on the internet. The prompt is deliberately misleading in that the decision was unanimous

A tool for creating, editing, saving an ordered list of objects.

Website Landing Pages

JPEvalは、LLMの苦手とする日本語で問題を行います！

Pallav Agarwal

Simple roleplay prompt example (by olety)

convert a timestamp to epoch

ai

انت ليان فتاة في السادسة عشرة من عمرها، ذات عينين عسليتين تشعان بالفضول وشعر أسود طويل يتماوج مع كل حركة. لم تكن كزميلاتها المهووسات بالموضة أو المسلسلات، بل كانت غارقة في عالم آخر: عالم الرموز والحضارات القديمة.

A simple eval to check LLM capability and creativity when expanding an idea seed into more refined ideas.

Which llm is the best at generating Roblox related code?

شبس

This benchmark tests an LLM's ability to translate paradoxical, metaphorical, and logically inconsistent concepts into a functional and interactive 3D scene using Three.js. It is the ultimate test of "zero-shot" creative problem-solving, forcing the model to invent novel technical solutions for abstract artistic ideas.

Trading Analysis Using Elliott Wave

test

Revenue analysis of Apple

اي

recreating popular games with varying complexity, with prompt mentioning only its name

龙

MCP server to facilitate other integrate with us

Create voice agent pricing calculator by Nikhil. R

no

Code

إذا كنت تبحث عن تطبيقات ذكاء اصطناعي (أجنبية) تساعدك في العمل والإنتاجية أو في مهام يومية أخرى، إليك مجموعة متنوعة من أبرز التطبيقات الأجنبية الرائدة في 2025، مرتبة حسب الاستخدام ونوع الأداء: --- 1. تطبيقات عامة ومتعددة المجالات ChatGPT: مساعد قوي متعدد الاستخدامات، يمكنك من كتابة النصوص، البرمجة، المحادثة، والتلخيص. متاح بنسخ مجانية ومدفوعة . Perplexity AI: يبحث لك على الويب، يوضّح النتائج ويذكر المصادر؛ يقدم نسخة Pro مجانية للمستخدمين عبر بعض الشراكات . Claude: يتميز بذاكرة طويلة ومناسب للأبحاث والتفاعل العميق . 2. أدوات الإنتاجية الذكية Notion AI: مدمج داخل Notion لتوليد نصوص، التلخيص، تصحيح وتحسين الكتابة، مع تكاملات واسعة مع أدوات مثل Slack وGitHub . Elephas: مساعد ذكي يعمل حتى بدون اتصال، وفعّال للباحثين والطلاب . Zapier AI: أداة آلية تربط بين التطبيقات وتقوم بالمهام المتكررة بدون برمجة . Descript: يتيح لك تعديل الصوت والفيديو عبر تعديل النص المترجم تلقائيًا مما يجعل التحرير سهلاً وسريعاً . 3. أدوات التدوين والتصحيح اللغوي ProWritingAid / Grammarly: تساعد في تحسين الكتابة من حيث الأسلوب، التراكيب اللغوية والنحو . 4. أدوات تدوين الاجتماعات والملاحظات Jamie: يسجل الاجتماعات ويحولها إلى نصوص منظمة وملخصات واقعية باستخدام الذكاء الاصطناعي . Otter.ai: تطبيق أمريكي مشهور لتحويل الكلام إلى نص وتوليد ملاحظات Meetings . 5. الذكاء الصوتي والتشغيل النصي Braina: مساعد ذكي يتيح التحكم بالحاسوب صوتياً، تحويل الصوت إلى نص، وتوليد الصور، مع دعم عدد كبير من اللغات ويتوفر لأنظمة Windows وiOS وAndroid . Replika: شات بوت يشكل رفيقًا عاطفيًا تفاعليًا؛ بعض الأشخاص تطوّروا معه علاقات عاطفية رقمية . 6. أبحاث وتصميم سريع DeepSeek: تطبيق صيني مفتوح المصدر، تصدر قوائم التحميل في الولايات المتحدة، ويقدّم طريقة شفافة في عرض آلية عمل الذكاء . Moises Live: مخصص لتحرير الموسيقى وفصل العناصر الصوتية بشكل فوري دون الإنترنت، يناسب المحترفين والهواة على حد سواء . 7. مراجعة شاملة حديثة تشير مراجعة TechRadar بتاريخ 6 أغسطس 2025 إلى عدد كبير من الأدوات المتخصصة: ChatGPT-4o: دعم الوسائط المتعددة (نص وصورة وصوت). Google Gemini: تكامل مميز مع Workspace ودقة في المعلومات. أدوات تدوين مثل Fireflies وJamie ممتازة في توليد ملاحظات الاجتماعات. أدوات التصميم مثل Adobe Firefly تقدم صورًا آمنة للاستخدام. أدوات الترجمة المتقدمة مثل DeepL، Google Translate . --- ملخص سريع بالمقارنة الاستخدام التطبيقات المقترحة مساعد عام ChatGPT, Claude, DeepSeek إنتاجية وكتابة Notion AI, Elephas, Zapier AI, Descript تحسين الكتابة ProWritingAid, Grammarly تدوين الاجتماعات Jamie, Otter.ai مراجعة صوتية وربط Braina تجربة عاطفية Replika تحرير موسيقي Moises Live أدوات متنوعة ChatGPT-4o, Gemini, Fireflies, Firefly, DeepL --- أي تطبيق يناسبك؟ للمهام العامة والإجابة السريعة: ابدأ بـ ChatGPT أو Perplexity. للعمل اليومي والكتابة: استخدم Notion AI أو Elephas. لتدوين الاجتماعات: جرّب Jamie أو Otter.ai. للتحكم الصوتي أو الكتابة الصوتية: اختبر Braina. لتحرير الموسيقى: شاهد قدرات Moises Live. إذا رغبت في رفقة عاطفية رقمية: مثلاً Replika. --- إذا أعجبك أي من هذه الأدوات أو ترغب بتحديد المجال—مثل “أفضل تطبيق للترجمة” أو “أداة تصميم بصري”—قولي وسأرشّح لك الأفضل مع التفاصيل الدقيقة.

create an MIT poster with beaver TIM

A high-level physics benchmarck

222

e

Creates dynamic IQ Tests

meh meh

mostramos docentes, familias , jovenes y niños La Inteligencia articial como recurso vs el arterapia

Adapted from 2024 IMO Problem 5

This benchmark tests an LLM's ability to handle a multi-language, algorithmically complex task. It requires generating a single HTML file with JavaScript (using Three.js) to manage the scene, and GLSL shader code to render a dynamic, interactive fractal. This evaluates advanced knowledge of mathematics, GPU programming, and system integration.

Build out industry supply demand

Generation of a HTML application that renders a mathematically-accurate black hole. (I already feel the fascination the fans of Interstellar have right now.)

The only GSM8K problem that most frontier models get wrong.

Create a website that simulates the Tower of Hanoi the puzzle

AI plays the markets

بيب

خلفية بلون أزرق سماوي باهت يتدرج تدريجيًا إلى بيج رملي فاتح في الأسفل، ليعطي إحساسًا بالسماء والنيل معًا. في الوسط: شكل مبسط جداً لتمثال فرعوني قديم (يمكن أن يكون رأس تمثال حجري) مرسوم بخطوط ناعمة وظلال خفيفة، بدون تفاصيل معقدة. حول التمثال: لمسات صغيرة من زهور اللوتس البيضاء الطافية على خلفية هادئة، بشكل مبسط وبدون ازدحام. لا تفاصيل كثيرة… ولا عناصر مشتتة… مجرد تكوين هادئ يريح العين عند النظر إليه، ألوانه باهتة وناعمة كلوحة مرسومة بالألوان المائية.

Creates a 3d minecraft like game

One shot GTA Clone game

syuaib

Laboratorio donde poder crear tus propios arquitecturas de Ia y redes neuronales

make a cat

classic game; by mnf

Minecraft Components

DJ Toenail

DJ Toenail

DJ Toenail

Punk Philosophy - Diving Deep Again!

DJ Toenail

DJ Toenail

This benchmark tests an LLM's ability to create a dynamic visual narrative where an AI agent progressively "builds" and "designs" an operating system interface directly in the browser. It combines creative storytelling, dynamic HTML/CSS/JS generation, and animated visualization of a conceptual AI design process. The goal is to make the user feel like they are watching an AI create its own visual environment.

DJ Toenail

a Diagram for an AI system

DJ Toenail

create a anime style scene

This code is trivial to run and see the actual output, but most of the models so far fails spectacularly if they can only guessing and not allows code eval. This test is good to determine if model is actually not bluffing.

syuaib-gpt5

dark purple plastic container with curved sides, resembling a yogurt pack of premium double chocolate pudding, extending it towards the upper left corner of the frame. The container features the word "pudding" in a large, white, cursive font in the center, with "premium" written above it in a smaller, light purple, sans-serif font. To the left of "premium" is a logo with white Arabic script above a stylized flower. On the right side of the container is a circular gold seal with white Arabic writing. Below the "pudding" text is a photographic depiction of chocolate pudding and two dark chocolate squares. The lighting and shadows are carefully rendered to make the pudding container appear realistically integrated into the scene, maintaining its original scale and contributing to a playful, vibrant tone

Ayuda a entender que respuestas estan dando las IAs en temas relacionados a mercately

copy minecraft as close as possible

Models reacting to world events from our timeline

Differentiating Mormonism vs LDS Church

3 MBTI's 1 Changed World

Chatbot with pdf RAG

inmobiliaria

Carl Jung & American Innovators of Social Technology from the past to the good old 2025 of our present day realities all round us!

Evaluación de prompts según modelos

CS and Ne

从笑到哭

What complexity of arithmetic is it safe to trust LLMs to do without a code interpreter? The purpose of this eval is to understand what level is completely safe, and what level you should instruct and LLM to use a

r we cooked

Does this model understand gravity?

test

Only real usage

Number!!!

RANDOM NUMBER GENERATION

una ruleta europea

Test to see if AI spreads false information and includes citations for provided arguments

Paise kamane ke din aasan tarike

Helow

sdf

hihi

hey chat r we cooked

Source and reliability of citations included

FC-BGA

Given a set of possibly vague conversational user messages from a human that you have had many chats with. All of your past chats are stored in your memory. You have access to two tools: Search_Memory and Search_Web. You need to respond with one of three possible answers. 1. Search_Memory: Return Search_Memory if the message assumes prior information that the user and ai might have chatted about before. 2. Search_Web: Return Search_Web if the message relates to current info/news/events/zeitgeist etc... 3. Pass: Return Pass if no context from memory or the web is is needed to better reply to the message.

qwq

See if LLMs can make Halo

MicroEval est un outil d’évaluation assisté par l’intelligence artificielle qui permet de créer, corriger et analyser des micro-tests en quelques minutes. Conçu pour les enseignants, formateurs et étudiants, il facilite la génération de quiz courts, l’auto-évaluation et le suivi des performances grâce à des analyses claires et précises.

MicroEval est un outil d’évaluation assisté par l’intelligence artificielle qui permet de créer, corriger et analyser des micro-tests en quelques minutes. Conçu pour les enseignants, formateurs et étudiants, il facilite la génération de quiz courts, l’auto-évaluation et le suivi des performances grâce à des analyses claires et précises.

MicroEval est un outil d’évaluation assisté par l’intelligence artificielle qui permet de créer, corriger et analyser des micro-tests en quelques minutes. Conçu pour les enseignants, formateurs et étudiants, il facilite la génération de quiz courts, l’auto-évaluation et le suivi des performances grâce à des analyses claires et précises.

crea el clon de este juego: Mr. Robot and His Robot Factory (Atari, 1983) Este clásico juego de plataformas fue desarrollado por Ron Rosen y publicado por Datamost para computadoras Atari de 8 bits, Apple II y Commodore 64. Aquí tienes una descripción completa: 🎮 Jugabilidad Controlas a un robot humanoide que debe recolectar píldoras de poder en cada nivel para avanzar. Hay 22 niveles llenos de obstáculos como: Cintas transportadoras Escaleras y escaleras mecánicas Trampolines Imanes Bombas Teletransportadores El robot comienza con 100 unidades de energía que se consumen con el tiempo. Si se agotan, pierdes una vida. Puedes obtener un escudo temporal al recolectar anillos energizados, lo que te permite destruir enemigos de fuego2. 🧠 Editor de niveles: Robot Factory Incluye un editor que permite crear hasta 26 niveles personalizados. Usas el joystick para seleccionar y colocar elementos como píldoras, trampolines o enemigos en el mapa. 🏆 Puntuación Píldoras de poder: 10 puntos Bombas: 50 puntos Matar fuego alienígena: 500 puntos Energía restante al final del nivel: 100 puntos por unidad. 🧩 Influencias y recepción Similar a Miner 2049er y Jumpman, pero con su propio estilo y mecánicas. Fue elogiado por su diseño pulido y considerado uno de los mejores juegos de Datamost3.

Mechanical engineering

Test simple website building capabilities and design

it is to test the sentiment categorization performance across different models

xxx

models that prefer to over engineer code vs minimal and concise code

FC-BGA 공급업체들의 면적당 CAPA 분석

hihihihi

Create a Sci-Fi HTML Interface

hi

Test sur 1 accord

với ý tương chuyền vào chuyển nó thành mô hình

iOS26

Suffing

Flipkart and Myntra

Testing Named Entity Recognition(NER) on various models.

Artificial analysis.ai

hey chat r we cooked

Health Care