bigcodebench

高难度代码生成基准测试评估LLM编程能力

BigCodeBench 代码生成评估基准大语言模型编程能力 Github 开源项目

BigCodeBench是一个具有挑战性的代码生成基准测试，用于评估大型语言模型的实际编程能力。它提供复杂指令和多样函数调用，包括数据集、生成和评估脚本。基于EvalPlus框架，BigCodeBench实现精确评估和排名，提供预生成样本以加速研究。支持多种评估环境，采用unittest进行代码测试，为研究人员提供全面工具。

访问官网

Github

Huggingface

介绍相关项目

benchmark - 开源基准测试集评估PyTorch性能

GithubPyTorch基准测试安装开源项目性能评估模型

PyTorch Benchmarks是评估PyTorch性能的开源基准测试集。它提供修改过的流行工作负载、标准化API和多后端支持。项目包含安装指南、多种基准测试方法和低噪声环境配置工具。支持自定义基准测试和库集成。通过夜间CI运行，持续评估PyTorch最新版本性能。

deepeval - 简化LLM输出评估的开源框架

AI测试DeepEvalGithubLLM评估开源框架开源项目指标评估

DeepEval是一款开源的大型语言模型(LLM)输出评估框架。它提供G-Eval、幻觉检测和答案相关性等多种评估指标，支持本地运行。该框架适用于RAG和微调应用，可与LangChain和LlamaIndex等工具集成。DeepEval具备批量评估、自定义指标创建功能，易于集成到CI/CD环境。此外，它还支持对主流LLM基准进行简易评估，并可与Confident AI平台对接，实现持续评估和结果分析。

T2I-CompBench - 组合式文本到图像生成的全面评估基准

AI模型GithubT2I-CompBench++开源项目文本生成图像组合能力评估基准

T2I-CompBench++是一个用于评估组合式文本到图像生成的增强基准。它引入了人工评估图像-分数对、更全面的组合测试以及被Stable Diffusion 3等模型采用的新评估指标。该基准涵盖颜色、形状、纹理和空间关系等多个方面,通过多种方法全面衡量模型的组合能力。研究人员可利用此基准进行模型训练和评估,促进组合式图像生成技术的进步。

BotChat - 创新评估大语言模型多轮对话能力的基准

BotChat BenchmarkGPT-4GithubLLM对话生成开源项目评估

BotChat基准测试通过分析大语言模型生成的对话评估多轮聊天能力。基于MuTual-Test数据集,该项目生成了大规模模型对话数据,并采用单轮评估、BotChat Arena和人类对话对比等方法全面评估主流LLM对话质量。研究发现GPT-4表现最佳,部分小型开源模型在短对话中也有不错表现。这一创新基准为改进LLM对话能力提供了新思路。

codebert-base - CodeBERT为编程与自然语言处理提供强大支持

CodeBERTGithubHuggingface代码搜索开源项目机器学习模型自然语言处理预训练模型

CodeBERT-base是一个专为编程和自然语言设计的预训练模型，基于CodeSearchNet的双模态数据训练。它采用MLM+RTD优化目标，支持代码搜索和代码到文档生成等任务。该模型不仅适用于代码补全，还提供小型版本CodeBERTa。CodeBERT-base为编程语言处理领域开辟了新的研究方向，为开发者提供了有力的工具支持。

deepseek-coder-6.7b-instruct - 多语言代码生成与补全的开源AI模型

DeepSeek CoderGithubHuggingface人工智能代码模型开源项目机器学习模型自然语言处理

deepseek-coder-6.7b-instruct是一个基于2T代码和自然语言数据训练的开源AI代码模型。该模型支持多种编程语言，提供1.3B至33B不同规模版本，在HumanEval等多个基准测试中表现优异。它具有16K窗口大小和填空任务能力，支持项目级代码补全和插入。这个模型适用于各种代码生成和补全任务，为开发者提供了强大的编程辅助工具。

llmperf-leaderboard - LLM推理服务性能基准测试与比较

GithubLLMPerfLLM推理提供商吞吐量响应时间开源项目性能基准测试

LLMPerf Leaderboard 项目对多家LLM推理服务进行性能评测，主要衡量输出令牌吞吐量和首个令牌响应时间(TTFT)。测试涵盖Llama-2系列的7B、13B和70B聊天模型，为开发者提供客观透明的性能数据和可复现的测试方法，有助于选择合适的LLM服务。

codet5-large - 支持多编程语言的代码理解与生成大模型

CodeSearchNetCodeT5GithubHuggingface代码生成开源项目模型深度强化学习语言模型

CodeT5-large预训练模型支持多语言代码处理，并在CodeXGLUE基准中展示了卓越的性能。

reward-bench - 用于评估使用如Starling、PairRM、OpenAssistant和DPO等算法的奖励模型的能力和安全性的基准工具

GithubRewardBenchanymodel开源项目数据集文献评价标准

RewardBench是一款基准工具，用于评估使用如Starling、PairRM、OpenAssistant和DPO等算法的奖励模型的能力和安全性。该工具提供通用的推理代码、统一的数据集格式和测试，以确保公平评估，并拥有强大的分析与可视化功能。用户可以通过pip快速安装并运行评估脚本，测试各种奖励模型的性能和偏好集。

deepseek-coder-1.3b-instruct - DeepSeek Coder 多语言支持的开源代码生成与补全模型

DeepSeek CoderGithubHuggingface代码语言模型商业使用多语言编程开源项目模型项目级代码补全

DeepSeek Coder 1.3B是一款基于2T tokens数据训练的开源代码语言模型，包含87%代码和13%中英文自然语言。该模型支持多种编程语言，提供项目级代码补全和填充功能，并在HumanEval等基准测试中展现出色性能。采用16K窗口大小，模型适用于各类开发场景，并支持商业用途。开发者可通过简单的API快速集成和使用这一强大的代码生成工具。

相关项目

项目侧边栏1

项目侧边栏2

推荐项目

Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com

@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号