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
A clinical decision-evidence benchmark: pull the one fact an answer rests on, and see whether the assistant's action moves with the evidence
19,5/gün ort. +26 son gün 19 commit 1 yazar Python 07 Eyl 2026 güncellendi 15 gün önce - 2
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.
8,2/gün ort. +0 son gün 3 commit 3 yazar Python 11 Ağu 2026 güncellendi dün - 3
Open-source benchmark for browser AI agents on daily tasks.
5,8/gün ort. +8 son gün 17 commit 2 yazar Python 10 Nis 2026 güncellendi 12 gün önce - 4
HistorianRCA: a root cause analysis benchmark. 90 days of simulated plant historian data from a steam-heated hold tank, with hidden faults t
2,2/gün ort. +1 son gün — commit 20 Eki 2026 güncellendi 15 gün önce - 5
MathPinpoint: problem-level math retrieval dataset. Find the web page that solves the same problem under the same conditions, correctly. 3.5
2,2/gün ort. +0 son gün — commit TeX 28 Eyl 2026 güncellendi 7 gün önce - 6
DiagSafe: diagnostic LLM safety benchmark with prompt-level rubrics (3,489 bilingual prompts, 84-label taxonomy)
1,7/gün ort. +1 son gün — commit Python 15 Eki 2026 güncellendi 2 gün önce - 7
Real-event-anchored benchmark for detecting AI-generated videos in real-world crisis settings.
1,7/gün ort. +0 son gün 0 commit 0 yazar Python 13 Ağu 2026 güncellendi 17 Ağu 2026 - 8
Benchmark and controlled study of LLM-based novelty judges for research ideas. Code and data for "Old Ideas, Novel Problems" (arXiv 2610.020
1,2/gün ort. +0 son gün — commit Python 22 Eki 2026 güncellendi 9 gün önce - 9
NarrowWide: A LiDAR-inertial dataset with repeated transitions between confined and open spaces (IEEE T-FR 2026)
0,9/gün ort. +0 son gün — commit 05 Eki 2026 güncellendi 28 gün önce - 10
SciPIvot: Benchmarking Principal-Investigator Judgment at Pivotal Moments of Scientific AutoResearch Agents
0,7/gün ort. +1 son gün — commit Python 14 Eki 2026 güncellendi 16 gün önce - 11
Benchmark self-evolving Agent upon realistic large-scale file workspaces
0,5/gün ort. +1 son gün — commit Python 04 May 2026 güncellendi 27 Ağu 2026 - 12
[ECCV 2026] AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World
0,4/gün ort. +0 son gün — commit Python 04 Tem 2026 güncellendi 3 gün önce - 13
ICML 2026 benchmark and MechVL models for multimodal understanding of mechanical engineering drawings.
0,4/gün ort. +0 son gün — commit Python 25 Haz 2026 güncellendi 22 Eyl 2026 - 14
Live Benchmark for long Horizon tool using Agentic Systems
0,3/gün ort. +0 son gün — commit Python 14 Eyl 2026 güncellendi 16 Eyl 2026 - 15
Open benchmark datasets republished in stressed form to evaluate ML/LLM robustness. Curated by Santander AI Lab.
0,3/gün ort. +0 son gün — commit HTML 17 Haz 2026 güncellendi 7 gün önce - 16
TerminalWorld: Benchmarking Agents on Real-World Terminal Tasks (NeurIPS 2026 Evaluations and Datasets Track)
0,3/gün ort. +1 son gün — commit Python 07 May 2026 güncellendi bugün - 17
This dataset provides metadata, official statistics, and official play-by-play annotations for full-length NBA game videos available on YouT
0,2/gün ort. +1 son gün — commit 19 May 2026 güncellendi 19 May 2026 - 18
Scenarios and tasks for evaluating AI agents on real-world AWS automation tasks. Use the aws-bench framework (https://github.com/aws-bench/a
0,2/gün ort. +0 son gün — commit Python 14 Tem 2026 güncellendi 6 gün önce - 19
Benchmark for repository-level code understanding: 500 open-ended questions from real GitHub Discussions across 50 repositories, graded by a
0,2/gün ort. +0 son gün — commit Python 05 Ağu 2026 güncellendi 06 Ağu 2026