来自 Hugging Face 的 AI 项目

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。

Obfuscated-Shell Safety Leaderboard

FINAL-Bench · 工具包

给语言模型排名，看它们能否识破被伪装的 shell 命令：拦下危险的，放行无害但经过编码的。适合构建智能体的人，是一个防御性的安全基准。

Outsmart

ed-donner · 工具包

让 AI 模型在回合制的谈判和策略游戏里互相较量，并跨多局给它们排名。适合好奇语言模型怎样讨价还价、结盟和竞争的人。

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。

Open VLM Leaderboard

opencompass · 工具包

展示用 VLMEvalKit 工具包收集的视觉语言模型得分排行榜，有总榜，也有每个基准的单独表格。适合比较多模态模型的研究者和工程师。

S1MB Leaderboard

hotchpotch · 工具包

在一个已保存结果的查看器里，比较 System One Decision Models 在 100 多个基准上的表现。适合想看模型哪里强、哪里弱的研究者。

fev-bench

autogluon · 工具包

AutoGluon 团队的预测评估基准，以 Streamlit 应用的形式放在 Docker Space 里。适合比较时间序列预测模型的人。

AI Phone Leaderboard

a-ghorbani · 工具包

在 Streamlit 仪表盘里查看和分析移动设备的 AI 基准结果，带有图表和筛选。适合想比较手机运行 AI 模型表现的人。

EnterpriseRAG Bench Leaderboard

onyx-dot-app · 工具包

在 EnterpriseRAG-Bench 上给检索增强生成系统排名，这个基准基于公司知识问题，并带有浏览问题和并排比较系统的标签页。适合选择 RAG 系统的团队。

cognirank

dotlabs · 工具包

在静态网站上给小型 AI 模型的推理和编程基准成绩排名，带可排序的表格、图表和并排对比。适合挑选或研究小型模型的人。