Proyectos open source sobre «evaluation»

Benchmark y herramienta de evaluación para comprobar si los modelos de lenguaje pueden resolver issues reales de GitHub generando parches verificados en Docker.

Runtime de agentes de código abierto y TUI de terminal para investigación de larga duración y trabajo con archivos, con modos ReAct y Agent Team en paralelo.

Framework de Python que evalúa LLMs haciéndolos jugar a Bulls and Cows mediante proveedores compatibles con LiteLLM.