模型与智能体基准
用于比较模型或智能体的基准套件、排行榜、数据集和挑战环境；不包括仅运行外部提供测试的评测编排软件。
| 项目 | 用途 | Star | 语言 | 许可证 | 最新版本 |
|---|---|---|---|---|---|
| qwenlm/blenderworld | 一个包含223项任务和2651条二元标准的Blender基准，用于评估从文本、图像和视频创建可编辑3D场景的代理。 | ★ 124 | Python | MIT | — |
| composo-ai/dishwasherbench | 在真实洗碗机物理仿真游戏中评估语言模型智能体的目标达成能力。 | ★ 70 | TypeScript | MIT | — |
| cmu-l3/reuf2f | 一个让编程代理证明 Lean 形式化的本科研究问题中定理或反例的基准。 | ★ 9 | Lean | NOASSERTION | — |