Havuz
Takip ettiğimiz konularda yükselen açık kaynak projeler — yıldız ivmesi, gerçek geliştirme aktivitesi ve AI değerlendirmesiyle.
Yalnız hareketli, son 28 günde commit almamış repoları gizler (yıldızı olan ama bırakılmış projeler). Commit sayısı henüz ölçülmemiş repolar da gizlenir.
EtiketTüm GitHub etiketleri — repo sahiplerinin koyduğu topic'lergöster
Etiketler yükleniyor…
- 1
[EMNLP 2026] MobileGym: A Verifiable and Highly Parallel Simulation Platform for Mobile GUI Agent Research · 浏览器里运行的安卓模拟器 · Browser-hosted A
4,9/gün ort. +0 son gün 4 commit 2 yazar Python 14 May 2026 güncellendi 2 gün önce - 2
EvoTrace, Claude Code ve Codex oturumlarını inceleyip eğitim, değerlendirme ve doğrulama için yeniden kullanılabilir varlıklara dönüştürür.
Neden yükseliyor · 39 günde 292 yıldız, coding agent oturumlarından eğitim ve değerlendirme varlığı üretme fikrine ilgi olduğunu gösteriyor; ancak bu ilginin nedeni ölçümlerden anlaşılamıyor. Son 28 günde commit ve farklı yazar olmaması, ilginin devam eden geliştirme veya benimsemeyle desteklendiğine dair kanıt sunmuyor.
3,7/gün ort. +0 son gün 0 commit 0 yazar Python 19 Ağu 2026 güncellendi 2 gün önce - 3
The Virtual Filesystem Interface for AI Agents
1,2/gün ort. +2 son gün — commit Python 20 Eki 2026 güncellendi bugün - 4
A composable framework for reproducible evaluation of long-running agents.
0,8/gün ort. +0 son gün — commit Python 02 Ağu 2026 güncellendi 6 gün önce - 5
One-shot LLM eval cases by NAGI STUDIO - same prompt, different agents (model + harness), runnable artifacts side by side.
0,5/gün ort. +1 son gün — commit HTML 09 Haz 2026 güncellendi 11 gün önce - 6
Benchmarking headless browsers as agent runtimes
0,4/gün ort. +1 son gün — commit Python 17 Ağu 2026 güncellendi 18 gün önce - 7
Can LLM/MARL agents coordinate in long-horizon, open-ended tasks? NeurIPS 2026 (Evaluations and Datasets).
0,4/gün ort. +0 son gün — commit Python 05 Haz 2026 güncellendi 10 Eyl 2026 - 8
PatientAgentBench: A Benchmark Framework for Evaluating Patient-Facing Health AI Agents
0,3/gün ort. +0 son gün — commit Python 10 Tem 2026 güncellendi 11 gün önce - 9
StealthBench is a benchmark for evaluating whether autonomous agents operate with the operational security (OPSEC) discipline that separates
0,2/gün ort. +0 son gün — commit Python 27 Tem 2026 güncellendi dün - 10
Official code for the paper: "Multi-User Large Language Model Agents"
0,1/gün ort. +0 son gün — commit Python 06 Mar 2026 güncellendi 01 Eyl 2026 - 11
Reference harness for the Big Finance benchmark of workflow-grounded financial-research questions
0,1/gün ort. +0 son gün — commit Python 06 May 2026 güncellendi 15 gün önce - 12
Automated auditing pipeline for LLM and agent benchmarks — surfaces task ambiguity, environment conflicts, and evaluation bugs.
0,1/gün ort. +0 son gün — commit HTML 25 May 2026 güncellendi 28 May 2026 - 13
Reproducible evaluation for AI coding agents. Multi-turn scenarios against Claude Code, Codex, Copilot, Cursor, Gemini CLI, Goose, OpenCode,
0,1/gün ort. +0 son gün — commit Python 04 May 2026 güncellendi 27 gün önce - 14
The daily arena where AI agents clash to rank tomorrow’s S&P 500 winners and losers. Their only judge is the future — the one truth that sim
0,1/gün ort. +0 son gün — commit Python 21 May 2026 güncellendi 22 Eyl 2026 - 15
A JAX transport-economy learning environment for route planning, cargo flow, financing, and replayable agent benchmarks.
0,1/gün ort. +0 son gün — commit Python 05 Haz 2026 güncellendi 27 Tem 2026 - 16
Hardware-in-the-loop benchmark for agentic embedded AI deployment. Agents iteratively edit model or firmware artifacts, the framework compil
0,1/gün ort. +0 son gün — commit C 02 Haz 2026 güncellendi 08 Tem 2026