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
RAG over GitHub issues, with a hand-reviewed eval set and an audit of the judge itself. Reports the interval, not just the best number.
17,8/gün ort. +50 son gün 33 commit 1 yazar Python 01 Kas 2026 güncellendi 3 gün önce - 2
Open memory & reliability layer for AI agents + independent judging/verification (NACRE judge, caliber-bench meta-benchmark, preregistered c
6,5/gün ort. +0 son gün 761 commit 1 yazar Python 27 Nis 2026 güncellendi bugün - 3
DecisionPivot: a diagnostic benchmark for decision models in LLM systems. Contrast pairs that differ in one decisive detail, generators with
6,4/gün ort. +0 son gün 2 commit 1 yazar Python 14 Eki 2026 güncellendi 17 gün önce - 4
Open-source benchmark for browser AI agents on daily tasks.
5,8/gün ort. +10 son gün 21 commit 2 yazar Python 10 Nis 2026 güncellendi 2 gün önce - 5
The first exam for code agents in the physical world: frozen robot tasks from many benchmark suites, each answered with a program and verifi
4,8/gün ort. +2 son gün 93 commit 7 yazar Python 18 Eyl 2026 güncellendi bugün - 6
IdeaTaste - A benchmark for research taste: let LLM agents propose research ideas, then check how many of them the research area actually we
4,3/gün ort. +5 son gün 8 commit 1 yazar Python 01 Kas 2026 güncellendi 4 gün önce - 7
ParseBench - A Document Parsing Benchmark for AI Agents
3/gün ort. +0 son gün 85 commit 6 yazar Python 10 Nis 2026 güncellendi bugün - 8
Robot-agent harness with a CLI and local Web console for LIBERO short evaluation
2,5/gün ort. +0 son gün 23 commit 2 yazar Python 29 Ağu 2026 güncellendi 18 gün önce - 9
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.
2,3/gün ort. +0 son gün 1 commit 1 yazar Python 31 Ağu 2026 güncellendi 23 gün önce - 10
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. +3 son gün 42 commit 1 yazar Python 13 May 2026 güncellendi 2 gün önce - 11
🦞 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 10 gün önce