#benchmark Репозитории
Всего репозиториев: 193
TorchBench — это коллекция открытых бенчмарков, используемых для оценки производительности PyTorch.
Официальная реализация «ADBench: Benchmark для обнаружения аномалий», NeurIPS 2022.
Airspeed Velocity: Простой инструмент для бенчмаркинга Python с веб-отчетами
GLM-5.3-Flash × J-Space: реализация возможностей — презентация бенчмарков J-Space Cognition Suite
Инструментарий для оценки монокулярной глубины на основе MMSegmentation.
Молекулярные наборы (MOSES): Платформа для бенчмаркинга моделей генерации молекул
Библиотека PyTorch для всего, что связано с обучением с подкреплением (RL) для комбинаторной оптимизации (CO)
🔍 Самый сложный поисковый бенчмарк в дикой природе — нечеткий, многошаговый, проактивный. 200 долгосрочных задач с прогрессивным раскрытием на основе персоны, оцениваемых с помощью проверяемой оценки графа знаний без схемы. Никаких вибраций, только триплет F1.
BlazeHTTP — это простой в использовании инструмент для тестирования эффективности защиты WAF. BlazeHTTP является удобным в использовании инструментом для оценки эффективности защиты WAF.
Наймите Antigravity CLI (agy) от Google в качестве быстрого сотрудника Gemini для Claude Code, OpenAI Codex и DeepSeek Harness.
[NeurIPS 2025 Spotlight] OpenCUA: Открытые основы для агентов использования компьютера
[EMNLP 2026] MobileGym: проверяемая и высокопараллельная платформа симуляции для исследований мобильных GUI-агентов · Android-симулятор в браузере · Проверяемая оценка · Масштабируемое онлайн-обучение с подкреплением (RL)
DeepResearch Bench: Комплексный бенчмарк для агентов глубоких исследований
📊 Сравнение бенчмарков пакетов с проверкой во время выполнения и поддержкой TypeScript
ClawProBench — это тестовая среда с приоритетом на живые тесты для оценки агентов LLM в рантайме OpenClaw с детерминированной оценкой и надежностью повторных испытаний.
Бенчмарк агента с задачами в симулированной компании-разработчике программного обеспечения.
Еще одна реализация игры бенчмарков языков программирования
Набор данных наборов данных для обучения обучению на основе немногих примеров
Приложение для тестирования скорости/бенчмаркинга производительности хранилища (HDD, SSD, RAM) для Windows, macOS и Android
RobustBench: стандартизированный бенчмарк по робастности к состязательным атакам [NeurIPS 2021 Track Benchmarks and Datasets]
Открытые оценки для физического ИИ. Запускайте любую LLM/VLA на любой роботизированной руке или гуманоиде и тестируйте на любом реальном или симулированном бенчмарке.
Инструмент для стресс-тестирования HTTP на golang, поддерживает одиночный и распределённый режимы, http/1, http/2 и http/3.
[EMNLP 2024 & AAAI 2026] Мощный набор инструментов для сжатия больших моделей, включая LLM, VLM и модели генерации видео.
Однопоточный микробенчмарк вычисления π по ряду Лейбница для 75 реализаций: исходный код, зафиксированный набор инструментов и необработанные данные для каждого замера.
Ваш агент для программирования рисует пиксельную графику в уже открытом окне Aseprite. MCP-сервер и навыки для Claude Code, omp, Codex, Gemini CLI и Cursor: рисует, проверяет свою работу, создает анимацию и экспортирует результат. Галерея и бенчмарк: pixeli.pebbly.space
Сырые тесты производительности на пропускную способность, задержку и передачу "Hello World" на популярных фреймворках микросервисов
Фреймворк для бенчмаркинга блокчейна для измерения производительности нескольких решений на блокчейне https://wiki.hyperledger.org/display/caliper
Инфраструктура с открытым исходным кодом, превращающая разрозненные файлы SKILL.md в курируемые корпуса навыков агентов, готовые к поиску, включая инструменты поиска и оценки.
Этот репозиторий содержит код для "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026] и "MMEB-V3" [COLM 2026]
Бенчмаркинг фактической точности длинных текстов в больших языковых моделях. Исходный код нашей статьи «Long-form factuality in large language models».
Набор кода для обнаружения и локализации точечных и крошечных объектов UCAS-VG