ARC-AGI-2

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。

SUPER 用来自真实机器学习与自然语言处理研究仓库的任务，评估 LLM 智能体是否能完成环境配置、代码执行和结果回答。数据集包含 Expert、Masked 与 AutoGen 三组任务，并附带运行和评估代码；本地模式会直接在机器上执行代码，官方也提供 Docker 与 Modal 方案以降低隔离风险并支持并发测试。

gophernotes 为 Jupyter Notebook 和 nteract 增加 Go 内核，让用户在笔记本中混合实时 Go 代码、公式、可视化与说明文字，并通过 GitHub、邮件或 Notebook Viewer 分享。它依赖 gomacro 解释执行；Windows 上若笔记本需要导入第三方 Go 包，应使用项目提供的 Docker 方式运行。

webclaw 可通过命令行、MCP 服务或 REST API 抓取和遍历网站，并输出 Markdown、文本或 JSON，适合智能体和 RAG 流程。核心提取路径可在本地运行且无需账号；遇到受保护网站、JavaScript 渲染或异步研究任务时，可改用托管 API。