项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 55
核心亮点
- 聚焦物理推理这一细分能力，填补通用基准的空白
- 提供标准化测试集和评估脚本，便于直接复现结果
- 支持多模型对比，可快速定位模型在物理常识上的短板
不足之处
- 项目早期，星标少，社区和文档待观察
- 测试集规模和覆盖场景可能有限，需进一步扩充
适用场景
- 评估大模型在物理问答任务上的表现
- 对比不同模型在物理推理能力上的差异
- 指导模型在物理常识方面的针对性训练
替代项目
PIQA、ARC、OpenBookQA
同类项目推荐
PoisonedRAG
开源
看穿 RAG 软肋：用知识投毒测试你的大模型防线
[USENIX Security 2025] PoisonedRAG: Knowledge Corruption Attacks to Retrieval-Augmen···
InfiniteBench
开源
测出大模型在10万字长文本下的真实水平
Codes for the paper "∞Bench: Extending Long Context Evaluation Beyond 100K Tokens":···
modelbench
开源
给 AI 模型做安全体检，一键出详细报告
Run safety benchmarks against AI models and view detailed reports showing how well t···
mt-rag-benchmark
开源
多轮对话下测 RAG，暴露单轮评测看不到的短板
Multi-Turn RAG Benchmark
watchtower
开源
扫描AI模型漏洞，守护AI供应链安全
AIShield Watchtower: Dive Deep into AI's Secrets! Open-source tool by AIShield for ···
Internal-Safety-Collapse
开源
把AI智能体放进正常代码流程，看它如何自己补出危险操作
[NeurIPS 2026] Safety failures in coding agents and frontier LLMs. Reproducible work···
promptfoo
开源
一条命令测试你的提示词和模型，防漏洞防降级。
Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanning f···
deepteam
开源
自动模拟越狱攻击，提前测出 LLM 安全漏洞
DeepTeam is a framework to red team LLMs and AI agents.
evals
开源
配置驱动的 Agent 评测，批量跑完直接看结果
Fast, robust, configurable agent evals