benchmark

UCAS-VG 基于点的微小物体检测与定位代码集

评测大型语言模型中的长文本事实准确性。我们论文“Long-form factuality in large language models”的原始代码。

用于浏览器 AI 代理日常任务的开源基准测试

Julia 语言的基准测试框架

此仓库包含“VLM2Vec / MMEB”[ICLR 2025]、“VLM2Vec-V2 / MMEB-V2”[TMLR 2026] 以及“MMEB-V3”[COLM 2026] 的代码

BenchMARL 是一个用于多智能体强化学习 (MARL) 基准测试的库。BenchMARL 能够快速比较不同的 MARL 算法、任务与模型，同时坚守其两大核心原则：可重现性与标准化。

A.S.E (AICGSecEval) 是由腾讯悟空代码安全团队开发的存储库级 AI 生成代码安全评估基准。

CAIRI 监督式、半监督式与自监督式视觉表征学习工具箱与基准测试

Awesome-LLM-Eval：精选的工具、数据集/基准测试、演示、排行榜、论文、文档与模型列表，主要用于 LLM 评估。一个由工具、基准/数据、演示、排行榜和大模型等组成的精选列表，主要面向基础大模型评测，旨在探求生成式AI的技术边界。

针对印尼语的首个大型自然语言处理基准测试。我们提供多个下游任务、预训练的 IndoBERT 模型以及入门代码！(AACL-IJCNLP 2020)

我为网络科学与机器学习研究而收集的一些非常酷的数据集仓库。

Open-source infrastructure that turns scattered SKILL.md files into curated, retrieval-ready agent-skill corpora—with retrieval and evaluation tooling included.

Kotlin 多平台性能评测工具包

AgentLab：一个用于在各种任务上开发、测试与评测 web agent 的开源框架，专为可扩展性与可复现性而设计。

[ICML 2024] TrustLLM：大型语言模型的信任度

联邦学习基准 - 针对 Non-IID 数据孤岛的联邦学习：一项实验研究 (ICDE 2022)

用于 RSpec 的性能测试匹配器

基于 PyTorch 的文本分类基准测试

📖 韩语 NLU 基准测试

用于执行 ping、traceroute 和 DNS 解析等网络测试的全球探测节点网络。

视觉对象追踪

一个更现代化的 HTTP 框架基准测试工具，支持 HTTP/1 与 HTTP/2 测试。

CL-bench：一个用于情境学习的基准测试

ParseBench - 用于 AI Agent 的文档解析基准测试。

以 C++17 编写的序列化库 — 将 C++ 结构打包成紧凑的字节数组，无需任何宏或样板代码。

几种编程语言的简易性能比较 (JavaScript, Kotlin, Rust, Swift, Nim, Python, Go, Haskell, D, C++, Java, C#, Object Pascal, Ada, Lua, Ruby)

SpeechIO Leaderboard：一个大型、稳健且全面的自动语音识别基准测试平台。

Meta Agents Research Environments 是一个综合平台，旨在评估动态、真实场景中的 AI 代理。与静态基准测试不同，此平台引入了不断演进的环境，代理必须随着新信息的出现调整策略，以反映现实世界的挑战。

针对公司内部文档进行 RAG 的数据集与基准测试。

.NET 应用程序的性能基准测试与评测框架。