Project Icon

SWE-bench

基于GitHub问题的语言模型评估

SWE-bench是一个基准测试平台,用于评估语言模型在解决GitHub问题中的表现。提供代码库和问题描述,模型生成修复补丁。项目支持Docker容器实现高效可重复测试。最新更新包括SWE-agent的引入,提升评估基准表现。支持x86_64和实验性arm64架构,提供多样数据集和模型下载选项。欢迎NLP、机器学习和软件工程领域的贡献和反馈。

benchllm - 简化大语言模型和AI应用的连续集成与测试
BenchLLMGithubLLMPython开源开源项目测试
BenchLLM是一个开源Python库,用于简化大语言模型和AI应用的测试。它提供多种测试和评估方法,包括语义相似度和字符串匹配,并具有缓存功能。BenchLLM支持链、代理和各种LLM模型的测试,有助于消除不稳定因素,确保代码的可靠性。便捷的安装和使用方式使其适用于开发者进行自动化集成和模型评估。
ToolBench - 大规模工具使用指令数据集与开源语言模型
AI工具APIGithubToolBench大规模语言模型工具使用能力开源项目
ToolBench项目构建了大规模的指令微调数据集,旨在提升语言模型的工具使用能力。该项目收集了16464个真实API,覆盖单工具和多工具场景,采用深度优先搜索决策树方法生成注释。项目提供训练脚本和微调后的ToolLLaMA模型,其工具使用能力达到了与ChatGPT相当的水平。
llm_benchmarks - 大语言模型评估基准集合
GithubLLM人工智能开源项目机器学习自然语言处理语言理解
llm_benchmarks是一个全面的大语言模型评估基准集合,涵盖知识理解、推理能力、多轮对话和内容摘要等方面。该项目包含MMLU、ARC、GLUE等知名数据集,用于测试模型在不同任务中的表现。这一标准化工具为评估大语言模型性能提供了可靠依据,有助于相关技术的发展与应用。
sweep - 从问题直接生成代码改动的AI开发工具
AI助手GitHub AppGithubSweep代码修改开发者开源项目热门
Sweep是一款先进的AI开发助理,能够将GitHub的问题直接转换为代码更改的拉取请求。它以其独特的依赖图、文本和向量搜索能力来理解代码库。通过自动运行单元测试和代码自动格式化,Sweep确保代码的质量。此外,Sweep能够通过应用编码规则对代码进行小幅度修复,提高开发效率。安装Sweep GitHub应用,让Sweep来优化您的开发过程。
bigcodebench - 高难度代码生成基准测试评估LLM编程能力
BigCodeBenchGithub代码生成大语言模型开源项目编程能力评估基准
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。
Sweep - 智能代码辅助工具,优化GitHub开发效率
AI工具Sweep AI代码库测试自动化软件开发
Sweep是一款智能代码辅助工具,专注于GitHub开发流程优化。它能自动将问题转化为拉取请求,快速导航复杂代码,生成标准测试,并协助调试。Sweep显著提高了开发效率和代码质量,已获多家知名机构采用。该工具深入分析代码库,加速新功能开发和测试流程,同时降低成本。多个知名组织的实际应用证实了Sweep在提高软件开发质量方面的卓越价值。
promptbench - 大语言模型的评估与理解综合工具包
GithubPrompt EngineeringPromptBench大语言模型对抗性提示开源项目评估
基于Pytorch的Python包,提供评估和理解大语言模型的友好API。支持快速模型性能评估、提示工程、对抗性提示评估和动态评估框架。兼容多种模型(如GPT-4、Llama2、BLIP2)和数据集(如GLUE、SQuAD、VQAv2)。适合研究人员和开发者使用与扩展。
InfiniteBench - 长文本语言模型评测基准 挑战10万词极限
GithubInfiniteBench人工智能基准测试开源项目语言模型长文本评估
InfiniteBench是一个专门评测语言模型超长文本处理能力的基准工具。它设计了12个涵盖真实和合成场景的任务,用于测试模型在10万词以上上下文中的理解和推理能力。该基准不仅有助于推动语言模型技术进步,还为改进LLM应用提供了重要参考。InfiniteBench的多样性和专业性使其成为评估长文本处理能力的有效工具。
LLMs-Planning - 大型语言模型规划与推理能力评估与分析工具
GithubLLM人工智能基准测试开源项目规划评估
LLMs-Planning项目包含PlanBench和大型语言模型规划能力分析两个子项目。PlanBench提供可扩展的基准测试,用于评估大型语言模型在规划和推理变化方面的表现。项目还对大型语言模型的规划能力进行了批判性调查,为自然语言处理和人工智能规划领域的研究者提供了重要参考。
AlignBench - 多维度评估中文大语言模型对齐性能的基准
AlignBenchGPT-4-0613Github大语言模型对齐水平开源项目评测
AlignBench 是多维度评估中文大语言模型对齐性能的评测基准。最新的 v1.1 版本提供了动态更新的数据、详细评分规则和高质量参考答案,确保评估的可靠性和可解释性。涵盖八大能力类别的数据主要来自真实用户问题,并使用 GPT-4 作为评分模型,通过多维度分析方法系统评估模型性能。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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