DPAI ArenaDPAI Arena 宣称是业内首款开放式、多语言、多框架和多工作流基准测试平台,旨在衡量 AI 编码智能体在现实世界软件工程任务中的成效。它围绕灵活且基于路径的架构构建而成,能够对各种工作流(例如,修补、bug 修正、PR 审查、测试生成、静态分析等)进行公平、可重现的比较。
OmniParseBenchDatalab推出OmniParseBench,面向文档OCR与解析器的开源评测基准。整套基准包含2343份文档、2937页素材,拆分为16288个通过/失败二元测试用例,覆盖92种语言,数据集与评估代码全部公开。
PinchBenchPinchBench 是一个基准测试系统,用于评估作为 OpenClaw 编码智能体的大语言模型。我们在不同模型上运行同一组真实世界任务,并衡量成功率、速度和成本,以帮助开发者为其用例选择合适的模型。
Chronicles-OCRChronicles-OCR 是首个专为评估视觉语言大模型(VLLMs)跨时域视觉感知能力而设计的综合性基准,覆盖汉字完整的演化轨迹——"汉字七体"。本数据集与安阳师范学院甲骨文信息处理教育部重点实验室及故宫博物院等顶级机构领域专家合作构建,包含 2,800 张严格均衡的图像,涵盖从龟甲到纸本书法在内的高度多样化物理媒介。
Game ArenaKaggle游戏竞技场(Game Arena)是一个全新的基准测试平台,来自谷歌、Anthropic和OpenAI等AI实验室的顶尖模型在这个平台上,通过游戏环境、控制台和可视化工具在Kaggle的评估基础设施上运行的直播和可重放的比赛中进行竞争。模拟比赛的结果将作为Kaggle基准测试中的个人排行榜发布和维护。