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
:sunrise: A comprehensive, cutting-edge open-source framework for next-generation Transformers/LLM, with compute-matched benchmarking and a
59/gün ort. +53 son gün 31 commit 5 yazar Python 31 Eki 2026 güncellendi bugün - 2
Track 42,331+ AI benchmark, eval, dataset, and data-quality records from 40 public sources, with linked evidence and daily updates.
3,3/gün ort. +21 son gün 559 commit 4 yazar Python 27 Tem 2026 güncellendi bugün - 3
Aixio Layer v2 recovers editable layers from flat designs where possible. 150-design benchmark vs Canva Magic Layers, Qwen-Image-Layer and G
13,9/gün ort. +13 son gün 3 commit 1 yazar 09 Eki 2026 güncellendi 27 gün önce - 4
Multi-tier framework for evaluating AI agent skills with quality gates, semantic overlap detection, synthetic evaluation dataset generation,
4,8/gün ort. +11 son gün 136 commit 9 yazar Python 24 Haz 2026 güncellendi bugün - 5
Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models
11,1/gün ort. +11 son gün 5 commit 1 yazar Python 28 Eki 2026 güncellendi 8 gün önce - 6
HAEnv — synthetic longitudinal patients with code-derived gold, for evaluating health agents over time
4,1/gün ort. +9 son gün 26 commit 1 yazar Python 24 Eyl 2026 güncellendi 4 gün önce - 7
ADR, AI agent’ları keşfetmek, etkinliklerini gözlemlemek ve riskli davranışları tespit etmek için araçlar ile benchmark’lar sunan açık kaynaklı bir güvenlik sistemidir.
Neden yükseliyor · AI agent güvenliği güncel ve kurumsal ölçekte büyüyen bir ihtiyaç; Uber’in projeyi açık kaynak olarak yayımlaması, README’de üretimde kullanıldığını ve MLSys 2026’da kabul edilen bir makaleyle desteklendiğini belirtmesi ilgiyi artırıyor. 167 günde 1.620 yıldızın yanı sıra son 28 gündeki 44 commit ve 15 farklı yazar, kayda değer proje etkinliğine işaret ediyor; ancak yıldız geçmişi olmadan yükseliş hızını doğrulamak mümkün değil.
10,5/gün ort. +5 son gün 53 commit 4 yazar Python 19 Nis 2026 güncellendi 5 gün önce - 8
AI API 中转站评测排行与切换工具：实测可用率、延迟与价格 · Open-source AI API relay benchmark, rankings & switcher for Claude Code / Codex
127,1/gün ort. +5 son gün 55 commit 5 yazar Rust 02 Eki 2026 güncellendi 4 gün önce - 9
Open source evals for physical AI. Run any LLM/VLA on any arm/humanoid against any real/sim benchmark.
5,6/gün ort. +5 son gün 21 commit 12 yazar Python 26 Haz 2026 güncellendi dün - 10
Your coding agent paints pixel art in the Aseprite window you already have open. MCP server + skills for Claude Code, omp, Codex, Gemini CLI
9,8/gün ort. +5 son gün 27 commit 2 yazar TypeScript 08 Eyl 2026 güncellendi 14 gün önce - 11
Physical-Engineering’s Last Exam
0,9/gün ort. +5 son gün — commit Python 09 Eki 2026 güncellendi 3 gün önce - 12
Open-source benchmark for browser AI agents on daily tasks.
5,7/gün ort. +4 son gün 17 commit 2 yazar Python 10 Nis 2026 güncellendi dün - 13
[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. +4 son gün 2 commit 1 yazar Python 14 May 2026 güncellendi dün - 14
Ten frontier VLM agents, five robotic capabilities, 1,000 cases. GeoProbe and traceable analyses of geometry, spatial reasoning, affordance,
0,5/gün ort. +4 son gün — commit Python 28 Eyl 2026 güncellendi dün - 15
glTF 2.0 versions of common graphics research scenes
1/gün ort. +3 son gün — commit Python 13 Haz 2026 güncellendi dün - 16
Chinese-first LLM jailbreak benchmark & red-team toolkit | 中文LLM安全评测框架 | by POJIA.AI
1,2/gün ort. +3 son gün — commit JavaScript 24 Eyl 2026 güncellendi 27 Eyl 2026 - 17
Langauge2Drive: Do Vision-Language-Action Models Really Follow the Instructions in Autonomous Driving?
0,1/gün ort. +3 son gün — commit Python 03 May 2026 güncellendi 19 gün önce - 18
LynnReal-Omni, video üretimi, kontrolü, düzenlemesi ve onarımı için farklı görevleri tek bir multimodal diffusion modelinde birleştiren erken beta bir framework’tür.
Neden yükseliyor · 14 günlük yaşına karşılık 230 yıldız, son 28 günde 75 commit ve 5 farklı yazar kayda değer erken ilgi ve geliştirme faaliyetine işaret ediyor. Çok sayıda video görevini tek modelde birleştirme ve üç/dört adımlı generation iddiaları dikkat çekici; ancak README projenin erken beta olduğunu belirtiyor ve bu performans iddiaları burada bağımsız olarak doğrulanmış değil.
5,2/gün ort. +2 son gün 0 commit 0 yazar Python 13 Eyl 2026 güncellendi 22 Eyl 2026 - 19
AI Model World, yüzlerce AI modelini fiyat, yetenek, benchmark ve yayın tarihi verileriyle karşılaştıran piksel-art görselli bir web sitesidir.
Neden yükseliyor · Güncel model karşılaştırması ve görsel sunum, hızla değişen AI ekosisteminde ilgi çekici bir kullanım sunuyor. 11 günde 191 yıldız ve son 28 günde 56 commit dikkat çekici bir başlangıç; ancak iki farklı yazar bulunması ve kısa geçmiş, benimsemenin kapsamı ya da sürdürülebilirliği hakkında henüz güçlü kanıt oluşturmuyor.
5,3/gün ort. +2 son gün 58 commit 2 yazar TypeScript 17 Eyl 2026 güncellendi bugün - 20
A harness optimized to smaller LLMs
13,1/gün ort. +2 son gün 0 commit 0 yazar TypeScript 11 Nis 2026 güncellendi 19 Eyl 2026 - 21
Official repository for RoboDojo
6,8/gün ort. +2 son gün 3 commit 2 yazar Python 07 Tem 2026 güncellendi 6 gün önce - 22
Practical local LLM recipes and benchmarks for RTX 5060 Ti setups
1,1/gün ort. +2 son gün — commit Python 15 May 2026 güncellendi 27 gün önce - 23
DecisionPivot: a diagnostic benchmark for decision models in LLM systems. Contrast pairs that differ in one decisive detail, generators with
7/gün ort. +2 son gün 2 commit 1 yazar Python 14 Eki 2026 güncellendi 15 gün önce - 24
Benchmark AI Agents on Enterprise Workflows
0,6/gün ort. +2 son gün 0 commit 0 yazar Python 11 May 2026 güncellendi 05 Ağu 2026 - 25
Self-evolving agentic reward framework for image-editing evaluation — 47.4% on EditReward-Bench from only 100 preference demos, no reward-mo
0,6/gün ort. +2 son gün 0 commit 0 yazar Python 14 May 2026 güncellendi 9 gün önce - 26
AgentBehaviorBench (ABB): A benchmark for evaluating AI agents’ ability to test other agents and detect behavioral defects.
0,3/gün ort. +2 son gün — commit Python 17 Ağu 2026 güncellendi dün - 27
A benchmark for AI agents as teammates. Paper: https://arxiv.org/abs/2611.02633
0,9/gün ort. +2 son gün — commit Python 15 Eki 2026 güncellendi 2 gün önce - 28
SkillCorpus, dağınık SKILL.md dosyalarını agent'lar için seçilmiş, aranabilir skill corpus'larına dönüştüren ve retrieval ile evaluation araçları sunan açık kaynak bir altyapıdır.
Neden yükseliyor · Agent'lar için paylaşılan ve göreve göre seçilen skill katmanına ilgi var; repo kısa sürede 667 yıldıza ulaşmış ve son 28 günde 9 commit ile 3 farklı yazar katkı vermiş. README ayrıca birden fazla benchmark'ta iyileşme bildiriyor; bu sonuçları bağımsız olarak doğrulayamıyorum.
8,1/gün ort. +1 son gün 3 commit 3 yazar Python 11 Ağu 2026 güncellendi bugün - 29
SWE-sweep, agent'ların büyük kod tabanlarındaki konumu ve türü önceden belirtilmeyen birden fazla bug'ı bulup düzeltebilmesini ölçen bir benchmark'tır.
Neden yükseliyor · 1 günlük, 33 yıldızlı yeni bir Facebook Research benchmark'ı olması ve LLM agent değerlendirmesine yönelik güncel bir soruyu ele alması dikkat çekebilir. Ancak yükselişin kesin nedeni bilinmiyor; son 28 günlük commit ve farklı yazar verisi ölçülmemiş.
6,2/gün ort. +1 son gün 0 commit 0 yazar Python 01 Eki 2026 güncellendi 4 gün önce - 30
agy-staff, Claude Code, OpenAI Codex ve Pi kullanıcılarının Google Antigravity CLI üzerinden Gemini tabanlı bir agent’ı farklı görevler için çağırmasını sağlayan bir plugin’dir.
Neden yükseliyor · Farklı coding-agent harness’leri üzerinden agy’ye görev devretme fikri dikkat çekici; 40 günlük yaşına karşılık 652 yıldız ve son 28 günde 14 commit ile 3 farklı yazar görünür bir ilgi ve geliştirme faaliyetine işaret ediyor. Bu veriler kullanım veya kalite kanıtı değildir.
10,3/gün ort. +1 son gün 9 commit 1 yazar JavaScript 18 Ağu 2026 güncellendi bugün - 31
Open memory & reliability layer for AI agents + independent judging/verification (NACRE judge, caliber-bench meta-benchmark, preregistered c
6,5/gün ort. +1 son gün 824 commit 1 yazar Python 27 Nis 2026 güncellendi bugün - 32
Evidence-backed AMD Strix Halo local-AI setup and benchmarks: Qwen3.8, Ollama, llama.cpp, Vulkan/ROCm, large GGUFs, and cross-OEM results.
1,5/gün ort. +1 son gün — commit Python 11 Mar 2026 güncellendi 15 gün önce - 33
The first exam for code agents in the physical world: frozen robot tasks from many benchmark suites, each answered with a program and verifi
4,9/gün ort. +1 son gün 104 commit 7 yazar Python 18 Eyl 2026 güncellendi bugün - 34
Bug Hunt Bench: 105 real bugs in two production repos, frontier coding models (GPT-6, Claude, Grok, Gemini, DeepSeek...) find and fix them i
2,6/gün ort. +1 son gün 35 commit 1 yazar JavaScript 25 Ağu 2026 güncellendi 9 gün önce - 35
A benchmark for evaluating LLM × harness performance.
0,7/gün ort. +1 son gün 0 commit 0 yazar Python 15 May 2026 güncellendi 03 Ağu 2026 - 36
A Benchmark for Evaluating Agent Self-Evolution on Real Business Tasks
0,8/gün ort. +1 son gün 2 commit 1 yazar Python 05 Haz 2026 güncellendi 7 gün önce - 37
ReviewBench is an open, reproducible benchmark for evaluating AI code review systems on real-world pull requests.
1,5/gün ort. +1 son gün — commit TypeScript 04 Eyl 2026 güncellendi dün - 38
[COLM'26] SkillLearnBench is the first benchmark for evaluating continual learning methods that automatically generate agent skills.
0,4/gün ort. +1 son gün — commit Python 01 Nis 2026 güncellendi 02 Eki 2026 - 39
Open benchmark on observability tasks built on Harbor
0,4/gün ort. +1 son gün — commit Python 13 Nis 2026 güncellendi dün - 40
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 86 commit 5 yazar HTML 09 Haz 2026 güncellendi dün - 41
Measurement harness for proxy providers, browser engines and scraping targets. Every claim carries the run it came from.
1/gün ort. +1 son gün — commit Python 25 Ağu 2026 güncellendi 13 gün önce - 42
🔥 Orbia: Do Generated Videos Form a Consistent 3D World?
2,3/gün ort. +1 son gün 14 commit 5 yazar Python 08 Eki 2026 güncellendi dün - 43
Evaluating frontier models on real-world ai-infra engineering tasks
0,7/gün ort. +1 son gün — commit Python 08 Ağu 2026 güncellendi 3 gün önce - 44
Открытый бенчмарк LLM: какая нейросеть лучше пишет код 1С:Предприятие (BSL). Объективная оценка LLM по методике SMOP с реальным исполнением
0,4/gün ort. +1 son gün — commit Python 10 Haz 2026 güncellendi 6 gün önce - 45
DolphinBench - Mapping the Pareto frontier of Agent Memory
1,1/gün ort. +1 son gün — commit Python 22 Eyl 2026 güncellendi 23 Eyl 2026 - 46
Create your own benchmark for coding AI Agents
0,5/gün ort. +1 son gün — commit TypeScript 13 Ağu 2026 güncellendi 7 gün önce - 47
P104-100 (GP104) PCIe Gen2 x4 unlock tool for Windows. Gen1 x4 -> Gen2 x4: 0.78 -> 1.55 GB/s measured.
2,4/gün ort. +1 son gün — commit C# 17 Eki 2026 güncellendi 4 gün önce - 48
Swap one RAG pipeline stage, hold the rest fixed, and measure whether the gain survives composition. The framework behind "Retrieval Augment
2,3/gün ort. +1 son gün — commit Python 21 Eki 2026 güncellendi bugün - 49
Per-step LLM routing benchmark with 970 static labels, live SWE-bench evaluation, an open data pipeline, and a public leaderboard.
0,2/gün ort. +1 son gün — commit Python 30 Nis 2026 güncellendi 8 gün önce - 50
Blind A/B testing for AI agent skills, .cursorrules, CLAUDE.md, and system prompts. Detects placebo and harmful instructions.
0,2/gün ort. +1 son gün — commit TypeScript 04 Haz 2026 güncellendi 2 gün önce