Logo
Project Icon

SWE-bench

基于GitHub问题的语言模型评估

SWE-benchDockerGitHubICLR 2024Princeton NLPGithub开源项目

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。

访问官网访问官网GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
JudgeLM - 大语言模型开放场景高效评估技术
GithubJudgeLM大语言模型开放式任务开源项目微调模型评估
JudgeLM是一个用于训练和评估大语言模型评判器的开放平台。通过微调技术，该项目实现了对开放场景中大语言模型的高效评估，评判一致性超过人类水平。JudgeLM提供先进的评判器训练和评估代码，能够处理单一回答、多模态模型、多个回答和多轮对话等任务。此外，该平台还集成了分布式多模型服务系统和Web界面，方便用户使用和部署。
T-Eval - 分步骤评估大语言模型工具使用能力的基准测试框架
GithubT-Eval基准测试大语言模型工具使用能力开源项目评估
T-Eval是一个评估大语言模型工具使用能力的基准测试框架。它将评估过程分解为指令遵循、规划、推理、检索、理解和审查等多个子过程，实现了细粒度分析。该项目提供英文和中文评测数据集、测试脚本和排行榜。T-Eval为研究人员和开发者提供了一个深入分析语言模型工具使用能力的新方法。
sglang - 大语言模型和视觉语言模型高效服务框架
GithubSGLang前端语言后端运行时大语言模型开源项目服务框架
SGLang是一款为大语言模型和视觉语言模型设计的服务框架。该框架通过协同优化后端运行时和前端语言，提高了模型交互的速度和可控性。其后端运行时采用前缀缓存、约束解码和连续批处理等技术提升效率。前端语言支持链式生成调用、高级提示、控制流和多模态等功能，增强了灵活性。SGLang适用于各类LLM应用的快速开发和部署。
FLASK - 细粒度语言模型评估框架
FLASKGithub对齐评估开源项目技能集细粒度分析语言模型评估
FLASK是一个开源的语言模型评估框架，采用细粒度的实例级技能集作为评估指标。该框架提供任务无关的评估协议，包含模型推理、GPT-4评估和结果分析功能。FLASK还具备自动元数据标注能力，可标注领域、技能集和难度级别。项目包含详细使用说明和在线演示，为语言模型评估提供全面解决方案。
prometheus-eval - 前沿的大语言模型生成任务评估工具
BiGGen-BenchGithubPrometheus 2 BGBPrometheus-Eval开源项目评估语言模型
Prometheus-Eval是一个评估生成任务中大型语言模型（LLMs）的开源项目。最新的Prometheus 2版本内置多种高性能评估模型，并集成了提供9项核心能力、77个任务和765个实例的BiGGen-Bench评估平台。该项目支持本地推理和通过VLLM及LLM API进行远程评估，且能够方便地在Python环境中安装和使用。项目持续更新，以确保评估的准确性和效率。访问官方仓库获取更多信息。
CritiqueLLM - 大型语言模型输出评估的智能批评生成框架
CritiqueLLMGithub人工智能大语言模型开源项目自然语言处理评估
CritiqueLLM是一个用于评估大型语言模型输出的批评生成框架。该项目提供了数据收集、参考评分、无参考评分和配对比较等功能。通过支持逐点评分和成对比较，CritiqueLLM能生成详细的批评信息，为研究人员和开发者提供了全面的评估工具，有助于分析和改进大型语言模型的表现。
bench_ - 硬件文档自动化AI管理平台
AI工具AI文档管理Bench硬件工程硬件文档自动化跨行业应用
bench_为硬件工程师提供AI文档管理平台，实现文档自动撰写、管理和检索。平台适用于航空航天、制造业和汽车等行业，可自动生成报告、识别合规差距，并支持物理资产记录。通过减少文档工作，bench_助力工程师提升创造力。该平台能无缝集成现有技术栈，为硬件文档自动化提供全面解决方案。
evalscope - 综合性大语言模型评估开源工具
EvalScopeGithub可视化大语言模型开源项目模型集成评估框架
EvalScope是一个全面的大语言模型评估框架，集成了多种基准数据集和评估指标。该框架提供模型集成、自动评估和报告生成功能，并支持Arena模式和可视化分析。通过整合OpenCompass和VLMEvalKit评估后端，EvalScope实现了多模态评估能力。此外，它能与ModelScope SWIFT平台无缝对接，支持大模型的端到端开发流程。
QA-Pilot - 利用LLM模型的GitHub代码库交互式聊天工具
GitHub代码仓库GithubLLM模型QA-Pilotcode graph开源项目聊天功能
此项目是一个互动聊天工具，利用在线和本地LLM模型来快速理解和导航GitHub代码库。支持多种LLM模型如Ollama、OpenAI、Mistralai等，能够存储聊天记录、进行多聊天室会话，并快速定位会话。还集成了CodeGraph以查看Python文件。最新版本增加了对Moonshot和Nvidia API的支持，旨在验证本地解决方案的可行性，不建议用于分析关键数据或敏感代码库。
lm-evaluation-harness - 统一测试生成式语言模型的多任务评估框架
GPT-NeoXGithubHugging FaceLanguage Model Evaluation HarnessOpen LLM LeaderboardvLLM开源项目
该项目提供统一框架，用于评估生成式语言模型，通过60多个标准学术基准和数百个子任务实现多样化测试。更新包括新的Open LLM Leaderboard任务、内部重构、基于配置的任务创建、Jinja2提示设计支持等高级配置选项，旨在简化和优化模型评估。支持快速高效推理、商业API、本地模型和基准测试。被广泛应用于机构如NVIDIA、Cohere、BigScience等，也支撑了🤗 Hugging Face的Open LLM Leaderboard。
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