搜索开放度全部开放度开放需申请闭集未知可信级别全部可信级别S · 高可信A · 已审核B · 待确认应用筛选

共 48 个 benchmark

排序:热度增速下载量Stars被引最新名称

Benchmark	测评分类	可信级别	开放	热度	下载(30d)	Stars	被引
GAIA GAIA· Meta + HF + AutoGPT	智能体工具调用	S高可信		46.2	13,202	—	1,138
GDPval · OpenAI	智能体工具调用	S高可信		37.6	159,806	—	—
ClawBench · TIGER-Lab	智能体网页导航	B待确认		31.1	1,112	597	20
RoboDojo · RoboDojo-Benchmark	智能体机器人	B待确认		30.5	192,843	—	—
GAIA-2 GAIA· Meta + HF	智能体环境控制	S高可信		29.3	12,056	—	25
deepsearchqa · google	智能体工具调用	B待确认		28.4	28,194	—	—
NexusRaven_API_evaluation · Nexusflow	智能体工具调用	B待确认		27.3	497	—	404
OSWorld · HKU 等	智能体环境控制	S高可信		27.0	—	3,110	1,075
τ²-bench tau-bench· Sierra	智能体工具调用	S高可信		24.3	—	1,892	416
data-product-benchmark · ibm-research	智能体工具调用	B待确认		19.1	3,802	—	1
Chat2Workflow-Evaluation · zjunlp	智能体工具调用	B待确认		16.3	772	—	1
WebArena WebArena· CMU	智能体网页导航	S高可信		14.7	—	—	1,882
ConvApparel · google	智能体工具调用	B待确认		14.4	139	—	1
indic-queries-2026 · mast-benchmark	智能体工具调用	B待确认		14.2	247	—	—
multilingual-queries-2026 · mast-benchmark	智能体工具调用	B待确认		13.4	168	—	—
BrowseComp BrowseComp· OpenAI	智能体网页导航	S高可信		12.4	—	—	558
τ²-bench tau-bench· Sierra	智能体工具调用	S高可信		11.8	—	—	416
Mind2Web · OSU-NLP-Group	智能体网页导航	B待确认		11.5	—	1,021	—
meta-agents-research-environments · facebookresearch	智能体环境控制	B待确认		10.5	—	547	—
mcpmark · eval-sys	智能体工具调用	B待确认		10.2	—	459	—
sweet_rl · facebookresearch	智能体工具调用	B待确认		9.3	—	271	—
BALROG · balrog-ai	智能体游戏推理	B待确认		9.3	—	266	—
BFCL (Berkeley Function Calling) BFCL· UC Berkeley	智能体工具调用	S高可信		8.9	—	—	—
autolab · autolabhq	智能体工具调用	B待确认		8.5	—	164	—
HaluMem · MemTensor	智能体工具调用	B待确认		8.4	—	156	—

第 1 / 2 页

上一页下一页