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
:sunrise: A comprehensive, cutting-edge open-source framework for next-generation Transformers/LLM, with compute-matched benchmarking and a
59/gün ort. +53 son gün 31 commit 5 yazar Python 31 Eki 2026 güncellendi bugün - 2
Official code for ForesightSafety-VLA (IROS 2026): a unified diagnostic safety benchmark for vision-language-action models on RoboTwin
12,4/gün ort. +0 son gün 1 commit 1 yazar Python 29 Eki 2026 güncellendi 7 gün önce - 3
Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models
11,1/gün ort. +11 son gün 5 commit 1 yazar Python 28 Eki 2026 güncellendi 8 gün önce - 4
Interaction Bench: Benchmarked on what users feel
2,6/gün ort. +1 son gün — commit Python 27 Eki 2026 güncellendi 6 gün önce - 5
dsh-model-master（模型选择大师）— model selector for DeepSeek Harness: search across providers, probe any model with a real streaming request to mea
1,6/gün ort. +0 son gün — commit JavaScript 26 Eki 2026 güncellendi 5 gün önce - 6
Reproducible benchmark that compares VictoriaLogs, Loki, Elasticsearch, OpenSearch, SigNoz and ClickStack
1,4/gün ort. +0 son gün — commit Go 26 Eki 2026 güncellendi 8 gün önce - 7
Manipulation benchmarks test acting to change; EmbodiedLab tests acting to know. Given only an objective and the apparatus, a robot runs its
1,4/gün ort. +0 son gün — commit Python 23 Eki 2026 güncellendi 9 gün önce - 8
Measures which GGUF quant of a model to run on your GPU: real speed and quality loss (KL divergence), not estimates.
1,2/gün ort. +0 son gün — commit Rust 23 Eki 2026 güncellendi 8 gün önce - 9
Benchmark and controlled study of LLM-based novelty judges for research ideas. Code and data for "Old Ideas, Novel Problems" (arXiv 2610.020
1,2/gün ort. +1 son gün — commit Python 22 Eki 2026 güncellendi 10 gün önce - 10
Reproducible speech-to-text benchmark: WER, latency and cost for Velma, Deepgram, AssemblyAI, Chirp 3, MAI-Transcribe 2, Moonshine and whisp
3,5/gün ort. -1 son gün 5 commit 3 yazar Python 21 Eki 2026 güncellendi 8 gün önce - 11
Swap one RAG pipeline stage, hold the rest fixed, and measure whether the gain survives composition. The framework behind "Retrieval Augment
2,3/gün ort. +1 son gün — commit Python 21 Eki 2026 güncellendi bugün - 12
A robot-oriented full-stack framework for long-horizon embodied agents in evolving physical and social environments.
1,9/gün ort. +1 son gün — commit Python 21 Eki 2026 güncellendi 10 gün önce - 13
HistorianRCA: a root cause analysis benchmark. 90 days of simulated plant historian data from a steam-heated hold tank, with hidden faults t
2,1/gün ort. +0 son gün — commit 20 Eki 2026 güncellendi 16 gün önce - 14
The Virtual Filesystem Interface for AI Agents
1,1/gün ort. +0 son gün — commit Python 20 Eki 2026 güncellendi dün - 15
A benchmark of AI QA agents finding real bugs in 4 open-source web apps, with 1,396 labeled bugs.
0,8/gün ort. +0 son gün — commit TypeScript 19 Eki 2026 güncellendi bugün - 16
A robot-painting benchmark for multimodal language models: reference images, text prompts, and custom goals. Built on AgentArk.
2,9/gün ort. +0 son gün 30 commit 1 yazar Jupyter Notebook 18 Eki 2026 güncellendi 8 gün önce - 17
Benchmarking coding agents on formalized undergraduate research problems
1,4/gün ort. +0 son gün — commit Lean 18 Eki 2026 güncellendi 11 gün önce - 18
P104-100 (GP104) PCIe Gen2 x4 unlock tool for Windows. Gen1 x4 -> Gen2 x4: 0.78 -> 1.55 GB/s measured.
2,4/gün ort. +1 son gün — commit C# 17 Eki 2026 güncellendi 4 gün önce - 19
DiagSafe: diagnostic LLM safety benchmark with prompt-level rubrics (3,489 bilingual prompts, 84-label taxonomy)
1,6/gün ort. +0 son gün — commit Python 15 Eki 2026 güncellendi 3 gün önce - 20
A benchmark for AI agents as teammates. Paper: https://arxiv.org/abs/2611.02633
0,9/gün ort. +2 son gün — commit Python 15 Eki 2026 güncellendi 2 gün önce - 21
DecisionPivot: a diagnostic benchmark for decision models in LLM systems. Contrast pairs that differ in one decisive detail, generators with
7/gün ort. +2 son gün 2 commit 1 yazar Python 14 Eki 2026 güncellendi 15 gün önce - 22
SciPIvot: Benchmarking Principal-Investigator Judgment at Pivotal Moments of Scientific AutoResearch Agents
0,6/gün ort. +0 son gün — commit Python 14 Eki 2026 güncellendi 17 gün önce - 23
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/gün ort. +0 son gün 20 commit 3 yazar TypeScript 12 Eki 2026 güncellendi 19 gün önce - 24
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 9 gün önce - 25
OptiScaler ILION — Community fork with bilingual ES/EN interface, FSR 4 version switching, live performance metrics and benchmarking tools.
0,6/gün ort. +0 son gün — commit C++ 12 Eki 2026 güncellendi 24 gün önce - 26
Execution Before Memory: diagnosing memory failures in video world models.
0,6/gün ort. +0 son gün — commit Python 12 Eki 2026 güncellendi 17 gün önce - 27
Official Code for the paper "Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding Agents "
4,6/gün ort. +0 son gün 3 commit 1 yazar Python 11 Eki 2026 güncellendi 9 gün önce - 28
Measures how much code LLM agents waste. 5 tasks, sandboxed, weekly snapshots, contestable references.
0,6/gün ort. +0 son gün — commit JavaScript 10 Eki 2026 güncellendi dün - 29
Aixio Layer v2 recovers editable layers from flat designs where possible. 150-design benchmark vs Canva Magic Layers, Qwen-Image-Layer and G
13,9/gün ort. +13 son gün 3 commit 1 yazar 09 Eki 2026 güncellendi 27 gün önce - 30
Official code for InfoVis: one 9B model for slide image generation and editing, with the VisSlideBench benchmark and 15M+ training records.
1,6/gün ort. +0 son gün — commit Python 09 Eki 2026 güncellendi 22 gün önce - 31
Benchmark aberto de LLMs para o processo legislativo brasileiro
1,1/gün ort. +0 son gün — commit Python 09 Eki 2026 güncellendi 6 gün önce - 32
Physical-Engineering’s Last Exam
0,9/gün ort. +5 son gün — commit Python 09 Eki 2026 güncellendi 3 gün önce - 33
WorldMemBench: A Comprehensive Benchmark for Memory of Video World Models
0,8/gün ort. +0 son gün — commit Python 09 Eki 2026 güncellendi 21 gün önce - 34
🔥 Orbia: Do Generated Videos Form a Consistent 3D World?
2,3/gün ort. +1 son gün 14 commit 5 yazar Python 08 Eki 2026 güncellendi dün - 35
PaperBench High-Difficulty and Expanded Tasks: paper reproduction beyond machine learning. 93 tasks in 12 research areas, run in domain-nati
1,8/gün ort. +0 son gün — commit Python 08 Eki 2026 güncellendi 27 gün önce - 36
Can coding agents build the agent you actually want? A benchmark of 25 agent software engineering tasks across creation, editing and optimiz
1,6/gün ort. +0 son gün — commit Python 08 Eki 2026 güncellendi 23 gün önce - 37
How much does an image model change what you told it to leave alone? Chained-edit benchmark for image models + installable scorer and Claude
0,6/gün ort. +1 son gün — commit Python 07 Eki 2026 güncellendi 28 gün önce - 38
The online judge for the LLM era. Every case is a real customer delivery: you work it with a coding agent, and your system is judged once it
3,8/gün ort. +0 son gün 25 commit 1 yazar TypeScript 06 Eki 2026 güncellendi 7 gün önce - 39
MiniMax H3: 4.9x faster local generation and seam-free 4K via synchronized tiles (SyncTile). Benchmarks included.
0,4/gün ort. +0 son gün — commit Python 06 Eki 2026 güncellendi 06 Eki 2026 - 40
Benchmarking Coding Agents for Interactive World Modeling from Embodied Videos - Rethinking Embodied Real2Sim from a Software Engineering Pe
7/gün ort. -7 son gün 6 commit 2 yazar Python 05 Eki 2026 güncellendi bugün - 41
Blinded battles between coding agents: two agents, one prompt, you pick the winner. Desktop app, runs locally.
1/gün ort. +0 son gün — commit TypeScript 05 Eki 2026 güncellendi bugün - 42
NarrowWide: A LiDAR-inertial dataset with repeated transitions between confined and open spaces (IEEE T-FR 2026)
0,8/gün ort. +0 son gün — commit 05 Eki 2026 güncellendi 29 gün önce - 43
AnyFlow - flow-matching video generation: training, inference and VBench evaluation for t2v and i2v models.
0,5/gün ort. +0 son gün — commit Python 05 Eki 2026 güncellendi 15 gün önce - 44
AI API 中转站评测排行与切换工具：实测可用率、延迟与价格 · Open-source AI API relay benchmark, rankings & switcher for Claude Code / Codex
127,1/gün ort. +5 son gün 55 commit 5 yazar Rust 02 Eki 2026 güncellendi 4 gün önce - 45
SWE-sweep, agent'ların büyük kod tabanlarındaki konumu ve türü önceden belirtilmeyen birden fazla bug'ı bulup düzeltebilmesini ölçen bir benchmark'tır.
Neden yükseliyor · 1 günlük, 33 yıldızlı yeni bir Facebook Research benchmark'ı olması ve LLM agent değerlendirmesine yönelik güncel bir soruyu ele alması dikkat çekebilir. Ancak yükselişin kesin nedeni bilinmiyor; son 28 günlük commit ve farklı yazar verisi ölçülmemiş.
6,2/gün ort. +1 son gün 0 commit 0 yazar Python 01 Eki 2026 güncellendi 4 gün önce - 46
SimuVerity: Benchmarking Agents for Engineering-Grade Simulink Model Generation
0,6/gün ort. +0 son gün — commit MATLAB 01 Eki 2026 güncellendi 05 Eki 2026 - 47
Official code for EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents.
0,5/gün ort. +0 son gün — commit Python 01 Eki 2026 güncellendi 24 gün önce - 48
Catches multilingual voice agents placing the wrong order. τ-bench style benchmark + CI gate for voice ordering agents in English and Hingli
0,3/gün ort. +0 son gün — commit Python 01 Eki 2026 güncellendi 17 gün önce - 49
Agent Smith, Codex görevleri için yerel model yönlendirmesi, macOS kullanım izleme arayüzü ve tekrarlanabilir benchmark araçları sunuyor.
Neden yükseliyor · Altı günde 194 yıldız alması dikkat çekici; yerel model routing, görünür kullanım takibi ve benchmark sonuçlarını tek projede birleştirmesi ilgi çekmiş olabilir. Ancak bu erken ilgi benimseme kanıtı değil: son 28 günde 5 commit ve 1 farklı yazar var.
0,3/gün ort. +0 son gün — commit Python 30 Eyl 2026 güncellendi 01 Eki 2026 - 50
A Benchmark for Retrieving Papers that Inspire New Research
1,1/gün ort. +0 son gün — commit Python 29 Eyl 2026 güncellendi 02 Eki 2026