benchmark

通过玩《街头霸王 3》来对 LLM 进行基准测试！评估 LLM 质量的新方法

用于代码性能评测的 pytest fixture

适用于 Rust 项目的快速且简单的性能评测工具

[pip install medmnist] 用于 2D 与 3D 生物医学图像分类的 18 个标准化数据集

C# Expression Trees 的快速编译器与轻量级 LightExpression 替代方案。包含表达式的诊断与代码生成工具。

SMAC：星际争霸多智能体挑战赛

基于 PyTorch 的模块化深度强化学习框架。《Foundations of Deep Reinforcement Learning》一书的配套库。

System-2 推理的最新进展

[NeurIPS '25] 从任意文本生成知识图谱

用于持续基准测试以维持性能的 GitHub Action

使用 golang 编写的更优秀的 locust 负载生成器。

LongBench v2 与 LongBench (ACL 25'&24')

KernelBench：LLMs 能写出 GPU Kernels 吗？ - 基准测试 + 包含 Torch -> CUDA（以及更多 DSL）的工具包

PDEBench：用于科学机器学习的广泛基准测试集

Linux 服务器性能评测脚本合集。

用于交通控制中强化学习的计算框架

向量数据库性能评测基准

JMLR：OmniSafe 是用于加速 SafeRL 研究的基础设施框架。

OpenSTL：时空预测学习的综合基准测试

🚀 快速质数生成器

ClickBench：分析型数据库的基准测试工具

lzbench 是一个开源压缩器的内存性能测试工具

NoSQL Redis 与 Memcache 流量生成与性能评测工具。

用于 OpenCV DNN 的模型库与性能评测

TorchBench 是一个用于评估 PyTorch 性能的开源基准测试合集。

Python 性能基准测试套件

DeepSeek V4 × J-Space 能力实现报告 — 基准测试证据显示 J-Space 降低了 DeepSeek V4 (Flash/Pro) 的能力实现损失。

NeurIPS 2022「ADBench: Anomaly Detection Benchmark」官方实现。

Airspeed Velocity：一个简单的 Python 性能基准测试工具，带有基于网页的报告功能。

分子集合（MOSES）：分子生成模型的基准测试平台