AI 研究技能与智能体

DialFork Leaderboard

DialFork · 工具包

在一个静态页面上列出各种方法在 DialFork 上的得分，DialFork 是衡量对话式 AI 智能体流程性幻觉的基准。适合要比较智能体方法或想提交自己方法的研究者。

Belarusian datasets

Zhnivo · 工具包

一个可浏览的白俄罗斯语数据集和语料库清单，人工挑选，涵盖语音、文本、平行文本、基准、词典和 OCR。页面有英语和白俄罗斯语两种界面。

LVBench Leaderboard

zai-org · 工具包

zai-org 的 LVBench 基准的排行榜页面，作为 Gradio 应用运行，并指向 LVBench 数据集。适合想看模型在其上得分的研究者。

Arabic LLM Leaderboard - Broad (ABL)

silma-ai · 工具包

在 Gradio 排行榜里按一个阿拉伯语基准给语言模型排名，代码也可以改造成你自己的排行榜。适合阿拉伯语 NLP 研究人员和比较模型的团队。

GIFT Eval

Salesforce · 工具包

Salesforce 的 GIFT-Eval 页面，这是一个通用时间序列预测基准。仓库里有结果文件夹和应用代码。适合比较模型的预测研究者和机器学习工程师。

TIME Benchmark Leaderboard

Real-TSF · 工具包

TIME 概率时间序列预测基准的排行榜，有总体得分、按数据集的拆分和测试窗口图。适合比较模型的预测研究者和机器学习工程师。

TokenAtlas

prajwalpujari16 · 工具包

一个浏览器探索器，比较同样的文字在 52 种语言和多个 LLM 分词器下需要多少 token，基于 FLORES-200 基准。适合为多语言 LLM 使用做预算的人。

RunsOnMine

prajwalpujari16 · 工具包

一个浏览器端的 LLM 服务基准注册表，数据取自消费级 GPU，双 Tesla T4 和 RTX 3050 笔记本，带并发扩展曲线，还能提交你自己的测量结果。

MedCaseAgent

PediaMedAI · 工具包

一个关于罕见病临床病例报告的研究资源项目页：一个含 584 条记录的基准、一个大型病例报告元数据语料库和智能体代码。适合医学 AI 研究人员。

Open VLM Video Leaderboard

opencompass · 工具包

一个视觉语言模型在视频理解基准上得分的排行榜，有总排名，也有每个基准的详细榜单。适合挑选模型的研究人员和工程师。

KVPress Leaderboard

nvidia · 工具包

展示一个排行榜，用 Llama-3.1-8B-Instruct 和 Qwen3-8B 对比语言模型的 KV 缓存压缩方法。适合比较缩减模型所需内存方式的研究者和工程师。

CausalArena Leaderboard

LAMDA-Tabular · 工具包

CausalArena 因果发现基准的静态仪表板，包含排行榜、真实数据检查、案例视图、已发布图的画廊，以及提交结果的指南。

HAKARI-Bench Leaderboard

hakari-bench · 工具包

展示 HAKARI-Bench 的公开结果，这是一个轻量的多语言信息检索基准，带有表格、模型对比和筛选。适合挑选检索模型的研究者和工程师。

MSEB Leaderboard

google · 工具包

Google 发布的 Massive Sound Embedding Benchmark 的排行榜页面，用 Gradio 搭建。适合比较声音嵌入模型的研究者。

FINAL-Bench Quantum Leaderboard

FINAL-Bench · 工具包

在共用的公开测试集上给量子纠错解码器排名，并把已发表的结果列在旁边。这是一个开放、中立的基准页，适合量子计算研究者和解码器开发者。

Cua Driver Bench on AgentEnv

earakely-scale · 工具包

计算机使用智能体运行 Cua Driver Bench 任务的回放查看器，有录制的桌面、工具调用、评分，还能并排对比驱动。这不是基准制作方的官方结果。

open-predico 看板

open-predico · 工具包

用静态网页和图表展示 open-predico 项目的实时预测和回测结果。适合关注它基准测试、想查看得分、目标序列和输入的人。

Turkish ASR Leaderboard

EmreAkgul · 工具包

在一套 Google 测试数据集上，按基准测试和计时结果对比土耳其语语音转文字模型，帮你为土耳其语音频选一个语音识别模型。

Full Duplex Leaderboard

aufklarer · 工具包

用三个公开基准比较语音智能体：何时开口、该调用哪个工具，以及说话是否符合风格指令。适合构建或挑选语音智能体的团队。

Turkish MMLU Leaderboard

alibayram · 工具包

在土耳其语版 MMLU 基准上给 AI 模型排名，带筛选、可浏览的模型回答、分章节图表和提交新模型的表单。适合需要比较土耳其语模型的人。