Havuz

Observal, ekiplerin coding agent bileşenlerini self-hosted bir registry üzerinden yayımlayıp keşfetmesini ve kullanım verilerini incelemesini sağlayan bir platformdur.

Neden yükseliyor · 181 günlük yaşına karşılık 3.533 yıldız, son 28 günde 84 commit ve 8 farklı yazar dikkat çekiyor; bu, yalnızca README iddiasına değil, yakın dönem geliştirme hareketliliğine de işaret ediyor. Bununla birlikte gerçek kurumsal benimseme veya kullanım hacmi verisi sağlanmadığından ilginin üretim kullanımına dönüştüğü doğrulanamıyor.

A clinical decision-evidence benchmark: pull the one fact an answer rests on, and see whether the assistant's action moves with the evidence

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.

A recursive self-improvement (RSI) workflow that evolves both target agents (e.g., Pi and DeepSeek Harness) and the RSI system itself.

MemTrace: Tracing and Attributing Errors in Large Language Model Memory Systems

Benchmark self-evolving Agent upon realistic large-scale file workspaces

Benchmarking data agents for verifiable analytics over heterogeneous workspaces.

Live Benchmark for long Horizon tool using Agentic Systems

🚀 One API gateway for GPT, Claude, Gemini, DeepSeek and more. OpenAI-compatible API for developers.

🌟 [Survey & Benchmark] A unified taxonomy, geometric framework, and cross-domain benchmark for modern optimizers

Daily LLM value rankings - compare 300+ models by intelligence, speed and price. OpenRouter + Artificial Analysis. 大模型性价比排行榜

Desktop provider manager and local failover router for Codex, Claude Code, and Grok.

Minimal harness-agnostic recursive language model layer — one binary, Python + llm()

面向智能座舱的云边协同 AI Agent：端侧毫秒级车控，云端声明式 Multi-Agent 与 Skill/DAG 编排，支持 S2S 实时语音、声纹多用户、HMI和Android双端；LLM 只负责理解与规划，VAL 负责确定性安全执行。

Benchmark for repository-level code understanding: 500 open-ended questions from real GitHub Discussions across 50 repositories, graded by a

⚽️🤖 Benchmarking LLMs and deep-research agents on real-world football prediction — from the tactical "who scores in minute 67" to the strate

Caveman prompting, measured. A two-channel evaluation framework for prompt compression and LLM token efficiency: what input vs output compre

Automated auditing pipeline for LLM and agent benchmarks — surfaces task ambiguity, environment conflicts, and evaluation bugs.