AgentBench — @THUDM

项目概览

AgentBench 用八类环境检验大模型能否自主完成数据库、操作系统等交互任务，并提供统一运行与比较框架。当前仓库包含与 AgentRL 集成的函数调用版本；完整环境依赖 Docker，旧版基准的依赖较老，使用 Python 3.9 通常更稳妥。

资源类型

评测或基准

使用场景

研究与知识

运行方式

Docker

核心能力

验证与评测

@arcprize

训练和评测模型解决抽象网格变换推理任务

评测或基准研究与知识

@allenaiJupyter Notebook

评测智能体能否配置并运行真实研究仓库中的任务

插件研究与知识

@gopherdataGo

在 Jupyter 或 nteract 中交互运行并分享 Go 代码笔记本。

命令行应用研究与知识MCP

@0xMassiRust

把网页抓取并转换为适合智能体与 RAG 使用的干净内容。