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
Same model, different wrapper: a from-scratch benchmark comparing coding-agent harnesses (codex, pi, opencode, cursor, devin) and open model
1/gün ort. +0 son gün — commit Python 19 Haz 2026 güncellendi 27 Ağu 2026 - 2
Local LLM cost-tracking proxy for OpenAI, Anthropic, Gemini, and pinned OpenRouter calls with token usage, failure, and billing-integrity re
0,9/gün ort. +0 son gün — commit TypeScript 02 Tem 2026 güncellendi 18 Ağu 2026 - 3
A composable framework for reproducible evaluation of long-running agents.
0,9/gün ort. +1 son gün — commit Python 02 Ağu 2026 güncellendi 7 gün önce - 4
Catch AI agents that say "done" when the task isn't. Checks agent-trace/v1 traces with claim-evidence rules, LLM judges and a trained classi
0,8/gün ort. +0 son gün — commit Python 28 Eyl 2026 güncellendi 9 gün önce - 5
Benchmark of AI coding agents building web apps and deploying them to Cloudish, DigitalOcean, Render and Vercel, measuring success, time, to
0,7/gün ort. +0 son gün — commit Python 12 Eki 2026 güncellendi 8 gün önce - 6
Open benchmark for Claude Code SEO skills — real headless execution against fixture sites with planted-defect answer keys. Deterministic sco
0,4/gün ort. +0 son gün — commit JavaScript 02 Tem 2026 güncellendi 16 gün önce - 7
What can Jev actually do? Reproducible experiments and research reports exploring its capabilities and limits.
0,4/gün ort. +0 son gün — commit Python 29 Eyl 2026 güncellendi 12 gün önce - 8
Benchmark, evaluate, and optimize skills to ensure reliable performance across all LLMs
0,3/gün ort. +0 son gün — commit TypeScript 06 Mar 2026 güncellendi 28 May 2026 - 9
Benchmark coding agents and models on your own repository with private Harbor-formatted evals built from its merged pull requests.
0,3/gün ort. +0 son gün — commit TypeScript 12 Tem 2026 güncellendi bugün - 10
Blind A/B testing for AI agent skills, .cursorrules, CLAUDE.md, and system prompts. Detects placebo and harmful instructions.
0,2/gün ort. +0 son gün — commit TypeScript 04 Haz 2026 güncellendi dün - 11
Red Team AI Benchmark: Evaluating LLMs for authorized offensive-security tasks
0,2/gün ort. +0 son gün — commit Python 09 Tem 2026 güncellendi 13 Tem 2026