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 2026-09-15 · 当前星标 ★ 137
核心亮点
- 用真实对局替代静态问答，能暴露模型多步推理和状态跟踪的缺陷
- 规则严格，可检验模型是否真正遵守合法走法约束
- 提供网页交互界面，对局过程直观可回放，便于人工分析
不足之处
- 项目早期，星标仅128，评测维度和基准覆盖有限
- 以 HTML 为主，工程化和自动化评测流程可能不够完善
适用场景
- 研究者对比不同 LLM 在规则约束下的推理能力
- 开发者用对局日志分析模型指令遵循失败模式
- 教学演示中展示大模型在棋类任务上的表现边界
替代项目
gpt-chess、chess-llm-eval
同类项目推荐
VLGuard
开源
给视觉大模型加安全锁，几乎零成本防恶意图片诱导
[ICML 2024] Safety Fine-Tuning at (Almost) No Cost: A Baseline for Vision Large Lang···
opencompass
开源
一站式评测大模型，百个数据集横向对比，快速选出最强模型。
OpenCompass is an LLM evaluation platform, supporting a wide range of models from Op···
Aegis
开源
给AI代理装上监控摄像头，实时盯住它的每一个动作。
Your agents have access. You deserve visibility. A local security dashboard for AI c···
secure-ai-agent-boundary
开源
给 AI 代理划数据红线，越界访问直接拦住
Secure AI Engineering Framework 2026: Data-Boundary Security for Frontier Models
evals
开源
用真实 React Native 任务，测出 AI 编码真本事。
A benchmark suite for evaluating how coding models solve real React Native tasks.
meta-agents-research-environment···
开源
在动态仿真环境中，逼真考验AI智能体的适应力与决策力。
Meta Agents Research Environments is a comprehensive platform designed to evaluate A···
bigcodebench
开源
用真实编程难题，测出大模型代码能力的真实天花板
[ICLR'25] BigCodeBench: Benchmarking Code Generation Towards AGI
Static-to-Dynamic-LLMEval
开源
动态生成评测样本，防数据污染，测出模型真实力
The official GitHub repository of the paper "Recent advances in large language model···
llm-hallucination-survey
开源
一站式读懂大模型幻觉，从入门到前沿
Reading list of hallucination in LLMs. Check out our new survey paper: "Siren’s Son···