下载

Skill UI

浏览并发现 9688+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索基准测试，共找到 9 条记录

默认排序最新上传最多下载

代码模型评估与基准测试

evaluating-code-models

Orchestra-Research/AI-Research-SKILLs

本工具箱用于全面评估代码生成模型的性能。它支持针对HumanEval、MBPP、MultiPL-E等行业标准进行多语言基准测试。可量化比较不同大型语言模型（LLM）的编码能力，通过pass@k指标衡量代码生成质量。

LLM 评估框架

evaluating-llms-harness

Orchestra-Research/AI-Research-SKILLs

提供涵盖 MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag 等 60+ 学术基准测试的标准化评估流程，可用来对 HuggingFace、vLLM 或 API 模型打分、比对性能、跟踪训练进度。

Langfuse LLM评估与基准测试

langfuse-core-workflow-b

jeremylongshore/claude-code-plugins-plus-skills

本技能提供一套完整的LLM评估工作流，使用Langfuse平台实现系统质量管理。涵盖了利用评分机制、收集用户反馈、管理版本化的Prompt、创建测试数据集、运行自动化实验（包括LLM-as-a-Judge）等多个环节，旨在帮助开发者进行全面的模型性能基准测试和质量保障。

机器人课题探索全流程

idea-discovery-robot

wanshuiyin/Auto-claude-code-research-in-sleep

这是一个专业的机器人想法发现工作流，包含文献调研、新颖性检查和批判性回顾等多个阶段。它帮助用户将一个宽泛的机器人方向，系统性地转化为具备可验证性、可仿真化和明确基准测试的创新项目点子，适用于前沿课题研究和项目孵化。

本地Hugging Face模型评估

hugging-face-community-evals

sickn33/antigravity-awesome-skills

本技能用于在本地硬件上对Hugging Face Hub上的大模型进行专业的评估和基准测试。它支持使用`inspect-ai`和`lighteval`等评估框架，帮助用户选择最佳推理后端（如`vllm`、Transformers或`accelerate`），进行全面的烟雾测试和任务选择。该技能专注于本地执行流程，不负责远程作业编排或结果发布。

自动AI智能体进化与优化

evolving-ai-agents

Orchestra-Research/AI-Research-SKILLs

A-Evolve是一个通用框架，用于通过LLM驱动的进化算法，自动优化和迭代改进AI智能体。它通过在标准基准测试（Benchmarks）上运行“求解-观察-进化”循环，持续优化智能体的提示词、技能和记忆，实现自学习的、性能增强的智能体。

家庭安防AI基准测试套件

home-security-ai-benchmark

SharpAI/DeepCamera

本套件是一个全面的评估工具，用于基准测试大型语言模型（LLM）和视觉语言模型（VLM）在家庭安防领域的性能。它涵盖了143项测试，覆盖了工具使用、提示注入抵抗性、上下文推理、警报分诊和场景分析等16个关键领域，旨在确保智能家居AI系统的稳健性。

室内安全隐患检测基准

SharpAI/DeepCamera

本基准测试用于评估视觉语言模型（VLM）从静态图像中识别室内环境潜在安全隐患的能力。测试覆盖了火灾、电路、跌倒、儿童安全和坠物等五大类别的40个场景，旨在模拟真实世界的固定安防监控，提供VLM实用安全检测能力的严格衡量标准。

智能家居视频异常检测基准

smarthome-video-anomaly-benchmark

SharpAI/DeepCamera

本基准测试套件专用于评估视觉语言模型（VLM）在智能家居视频异常检测方面的能力。它基于真实的家庭数据集，覆盖了安全入侵、老人跌倒、宠物异常行为等多个生活场景。该测试要求模型进行深度多帧视频理解，是检验AI系统视频理解能力和实时监测准确性的专业级工具。

1

语言