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
19,3/gün ort. +22 son gün 19 commit 1 yazar Python 07 Eyl 2026 güncellendi 14 gün önce - 2
Benchmark and fix LLM hallucinations when extracting figures from SEC 10-K filings
12/gün ort. 19 commit 1 yazar Python 31 Eki 2026 güncellendi 2 gün önce - 3
DecisionPivot: a diagnostic benchmark for decision models in LLM systems. Contrast pairs that differ in one decisive detail, generators with
8/gün ort. +0 son gün 2 commit 1 yazar Python 14 Eki 2026 güncellendi 13 gün önce - 4
Open memory & reliability layer for AI agents + independent judging/verification (NACRE judge, caliber-bench meta-benchmark, preregistered c
6,6/gün ort. +0 son gün 952 commit 1 yazar Python 27 Nis 2026 güncellendi 2 gün önce - 5
Open-source benchmark for browser AI agents on daily tasks.
5,7/gün ort. +5 son gün 20 commit 2 yazar Python 10 Nis 2026 güncellendi 11 gün önce - 6
Open source evals for physical AI. Run any LLM/VLA on any arm/humanoid against any real/sim benchmark.
5,6/gün ort. +1 son gün 14 commit 7 yazar Python 26 Haz 2026 güncellendi 5 gün önce - 7
The first exam for code agents in the physical world: frozen robot tasks from many benchmark suites, each answered with a program and verifi
5/gün ort. +2 son gün 113 commit 7 yazar Python 18 Eyl 2026 güncellendi dün - 8
Multi-tier framework for evaluating AI agent skills with quality gates, semantic overlap detection, synthetic evaluation dataset generation,
4,7/gün ort. +3 son gün 96 commit 14 yazar Python 24 Haz 2026 güncellendi dün - 9
A dishwasher-loading game on a physical simulation of one real machine, built to benchmark language models and playable in a browser. The ga
3,5/gün ort. +0 son gün 20 commit 3 yazar TypeScript 12 Eki 2026 güncellendi 17 gün önce - 10
Track 42,331+ AI benchmark, eval, dataset, and data-quality records from 40 public sources, with linked evidence and daily updates.
3,2/gün ort. +0 son gün 512 commit 5 yazar Python 27 Tem 2026 güncellendi dün - 11
ParseBench - A Document Parsing Benchmark for AI Agents
3/gün ort. +0 son gün 79 commit 10 yazar Python 10 Nis 2026 güncellendi 2 gün önce - 12
Unified World Model Inference & Evaluation Infrastructure
2,8/gün ort. +0 son gün 30 commit 1 yazar Python 09 Tem 2026 güncellendi 15 gün önce - 13
Robot-agent harness with a CLI and local Web console for LIBERO short evaluation
2,6/gün ort. +0 son gün 34 commit 3 yazar Python 29 Ağu 2026 güncellendi 14 gün önce - 14
LoopArena, uzun süreli yazılım görevlerinde bir coding agent’ı yönlendiren modelleri ortak koşullarda karşılaştırmak için benchmark ve çalıştırma altyapısı sunuyor.
Neden yükseliyor · Coding agents’ın uzun süreli iş akışlarında nasıl yönlendirileceği güncel bir araştırma konusu; LoopArena bu konuya açık protokol, benchmark sonuçları ve bir arXiv paper ile dikkat çekiyor. Ancak 146 yıldız, 28 günlük repo yaşı ve son 28 günde tek farklı yazar, ilginin henüz yaygın benimsemeye dönüştüğünü göstermiyor.
2,4/gün ort. +0 son gün 1 commit 1 yazar Python 31 Ağu 2026 güncellendi 19 gün önce - 15
Run your real agent with and without your skills, MCPs, and rules. See which ones actually help, and what they cost in tokens. Supports Clau
1,3/gün ort. +1 son gün 67 commit 1 yazar Python 13 May 2026 güncellendi dün - 16
🦞 ResearchClawBench: Evaluating AI Agents for Automated Research from Re-Discovery to New-Discovery
1,2/gün ort. +0 son gün 10 commit 2 yazar Jupyter Notebook 18 Mar 2026 güncellendi 6 gün önce