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 4B decision model: calibrated probabilities for yes/no, choice and score questions over long inputs.
2,2/gün ort. +2 son gün — commit Python 25 Eyl 2026 güncellendi 6 gün önce - 2
DiagSafe: diagnostic LLM safety benchmark with prompt-level rubrics (3,489 bilingual prompts, 84-label taxonomy)
1,7/gün ort. +0 son gün — commit Python 15 Eki 2026 güncellendi 2 gün önce - 3
Make AI agents aim higher without losing control: a Claude Code skill with two bars per task, a cheap gate check before expensive work, and
1,6/gün ort. +0 son gün — commit Python 20 Eki 2026 güncellendi 9 gün önce - 4
Typed judgment tools for MCP agents. TypeSafe's Jev model as verify, screen, find, classify, rerank, decide, compare, extract, review, gate,
1,2/gün ort. +0 son gün — commit Python 23 Eyl 2026 güncellendi 9 gün önce - 5
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
0,9/gün ort. +0 son gün — commit Python 28 Eyl 2026 güncellendi 9 gün önce - 6
RLCDAlignBench: 44 alignment-failure detection benchmarks and code for 'Just Ask Jev' (RLCD zero-shot detector of AI alignment failures)
0,8/gün ort. +0 son gün — commit Python 24 Eyl 2026 güncellendi 25 Eyl 2026 - 7
Teach your agent to work with evals: WHEN you actually need an eval or benchmark, HOW to build one that holds up, and how to read what it te
0,4/gün ort. +0 son gün — commit Python 10 Eyl 2026 güncellendi 22 Eyl 2026 - 8
Fast, typed Python framework for Jev-as-a-Judge/Decision-model evaluation for LLMs, RAG, and AI agents along with human-label calibration.
0,4/gün ort. +1 son gün — commit Python 20 Eyl 2026 güncellendi 6 gün önce - 9
A design-of-experiments platform for evaluating compound AI systems - find which technique drives quality, by how much, and whether the di
0,4/gün ort. +0 son gün — commit Python 24 Haz 2026 güncellendi 11 gün önce - 10
AIRadar · 每日定时运行的 AI 行业情报工作流
0,3/gün ort. +0 son gün — commit Python 28 Ağu 2026 güncellendi dün - 11
Scientific RL and SFT post-training for AI agents: build evals that can fail, simulate situations, judge checked against people, pass@1 with
0,3/gün ort. +0 son gün — commit Python 16 Ağu 2026 güncellendi 23 gün önce - 12
Eval-driven multimodal agent for identifying trees, logs, bark, leaves and wood from photographs. Dendrology is the reference domain; the e
0,2/gün ort. +0 son gün — commit Python 25 Tem 2026 güncellendi 3 gün önce - 13
Open-source benchmark for evaluating LLMs on domain-specific geological reasoning, AI for geology, and source-grounded geological knowledge.
0,1/gün ort. +0 son gün — commit Python 31 Tem 2026 güncellendi 9 gün önce