#benchmark リポジトリ
リポジトリ合計193件
GLM-5.3-Flash × J-Spaceの能力実現 — J-Space Cognition Suiteのベンチマーク紹介
🔍 自然界で最も難しい検索ベンチマーク — 曖昧で、マルチターンで、プロアクティブ。200の長期タスクを、ペルソナ駆動の段階的開示で実施し、検証可能なスキーマフリーの知識グラフ評価でスコアリング。雰囲気ではなく、トリプレットF1のみ。
BlazeHTTPは、使いやすいWAF防御効果テストツールです。BlazeHTTPは、ユーザーフレンドリーなWAF保護効果評価ツールとして位置づけられています。
Google の Antigravity CLI(agy)を、Claude Code、OpenAI Codex、DeepSeek Harness向けの高速なGeminiスタッフとして採用しましょう。
[EMNLP 2026] MobileGym: モバイル GUI エージェント研究のための検証可能かつ高度に並行化されたシミュレーションプラットフォーム · ブラウザ上で動作する Android シミュレータ · 検証可能な評価 · スケーラブルなオンライン強化学習(RL)トレーニング
ClawProBench は、OpenClaw ランタイムで LLM エージェントを評価するためのライブ優先ベンチマークハーネスで、決定論的採点と繰り返し試験の信頼性を備えています。
Windows、macOS、Android ストレージ (HDD、SSD、RAM) 速度テスト/パフォーマンスベンチマークアプリ
RobustBench: 標準化された敵対的ロバストネスベンチマーク [NeurIPS 2021 Benchmarks and Datasets Track]
フィジカルAIのためのオープンソース評価。任意のアーム型ロボット/ヒューマノイド上で、任意のLLM/VLAを実環境またはシミュレーションのあらゆるベンチマークに対して実行・評価できます。
75種類の実装を対象とした、単一スレッドのライプニッツ π マイクロベンチマーク。各計測の根拠となるソースコード、固定されたツールチェーン、生データを公開。
コーディングエージェントが、すでに開いているAsepriteのウィンドウでドット絵を描きます。Claude Code、omp、Codex、Gemini CLI、Cursor向けのMCPサーバーとスキルを提供。描画し、作品を確認し、アニメーションを作成して書き出します。ギャラリーとベンチマーク:pixeli.pebbly.space
一般的なマイクロサービスフレームワークにおけるHello Worldのスループット、レイテンシ、転送に関する生のベンチマーク
複数のブロックチェーンソリューションのパフォーマンスを測定するためのブロックチェーンベンチマークフレームワーク https://wiki.hyperledger.org/display/caliper
分散した SKILL.md ファイルを、整理済みで検索可能なエージェントスキルコーパスに変換するオープンソース基盤。検索および評価ツールも含まれています。
このリポジトリには、「VLM2Vec / MMEB」[ICLR 2025]、「VLM2Vec-V2 / MMEB-V2」[TMLR 2026]、「MMEB-V3」[COLM 2026]のコードが含まれています。
大規模言語モデルにおける長文の事実性のベンチマーキング。「Long-form factuality in large language models」論文のオリジナルのコード。