benchmark

¡Evalúa LLMs haciéndolos pelear en Street Fighter 3! La nueva forma de evaluar la calidad de un LLM.

Fixture de pytest para realizar pruebas de rendimiento de código

Benchmarking rápido y sencillo para proyectos en Rust

[pip install medmnist] 18 conjuntos de datos estandarizados para la clasificación de imágenes biomédicas 2D y 3D

Compilador rápido para árboles de expresión de C# y la alternativa ligera LightExpression. Herramientas de diagnóstico y generación de código para expresiones.

SMAC: El desafío multiagente de StarCraft.

Framework modular de aprendizaje por refuerzo profundo en PyTorch. Biblioteca complementaria del libro "Foundations of Deep Reinforcement Learning"

Últimos avances en razonamiento System-2

[NeurIPS '25] Generación de grafos de conocimiento a partir de cualquier texto

GitHub Action para benchmarking continuo con el fin de mantener el rendimiento

Un mejor generador de carga para locust, escrito en golang.

LongBench v2 y LongBench (ACL 25' y 24')

KernelBench: ¿Pueden los LLMs escribir kernels de GPU? - Benchmark + Kit de herramientas con Torch -> CUDA (+ más DSLs)

PDEBench: Un benchmark extenso para el aprendizaje automático científico.

Una compilación de scripts de evaluación comparativa (benchmarking) para servidores Linux.

Framework computacional para el aprendizaje por refuerzo en el control de tráfico

Banco de pruebas para bases de datos vectoriales.

JMLR: OmniSafe es un marco de infraestructura para acelerar la investigación en SafeRL.

OpenSTL: Un benchmark integral de aprendizaje predictivo espacio-temporal

Generador rápido de números primos.

ClickBench: una prueba de rendimiento para bases de datos analíticas

lzbench es un benchmark en memoria de compresores de código abierto

Herramienta de generación de tráfico y evaluación comparativa para NoSQL Redis y Memcache.

Model Zoo para OpenCV DNN y benchmarks.

TorchBench es una colección de benchmarks de código abierto utilizados para evaluar el rendimiento de PyTorch.

Suite de pruebas de rendimiento para Python.

Implementación oficial de "ADBench: Anomaly Detection Benchmark", NeurIPS 2022.

Informe de realización de capacidades de DeepSeek V4 × J-Space: evidencia de benchmark de que J-Space reduce la pérdida de realización de capacidades en DeepSeek V4 (Flash/Pro).

Airspeed Velocity: Una sencilla herramienta de benchmarking en Python con informes basados en web

Molecular Sets (MOSES): Una plataforma de evaluación comparativa para modelos de generación molecular