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 ★ 154
核心亮点
- 首个强调必须综合多文档才能作答的长上下文QA基准，避免单文档捷径
- 提供完整数据生成pipeline，可扩展至不同领域和语言
- 论文被EMNLP 2024接收为Oral，方法经过学术验证
不足之处
- 项目处于早期，文档和社区支持待观察
- 数据生成依赖特定LLM，可能引入生成偏差
适用场景
- 评估长上下文LLM在金融、法律等多文档场景的推理能力
- 对比不同长上下文模型（如GPT-4、Claude、开源模型）的基准测试
- 指导长上下文模型训练数据的构建和优化
替代项目
LongBench、L-Eval、ZeroSCROLLS
同类项目推荐
evals-skills
开源
让编码代理手把手帮你搭产品专属 AI 评测
Skills that guide AI coding agents to help you build product-specific AI evals.
llmspeed
开源
买显卡前先跑分，本地大模型速度一目了然
Feel how fast a local LLM runs before you buy the hardware
ai-eval-platform
开源
一站式评测 AI 应用，让质量看得见
开源 AI 应用评测平台，支持 RAG、AI Agent、多轮对话、LLM-as-Judge、接口评测、评测报告···
lintlang
开源
上线前扫一遍，AI 智能体配置不踩坑
Static analysis for AI agent configs, tool descriptions, and system prompts — catch···
Multi-Modality-Arena
开源
上传图片，并排对比多模态大模型谁更聪明
Chatbot Arena meets multi-modality! Multi-Modality Arena allows you to benchmark vis···
agent-python-pytest
开源
pytest 跑完自动上报报告，结果集中可查
Framework integration with PyTest
SECA
开源
用语义等价攻击，自动逼出 LLM 的幻觉破绽
[NeurIPS 2025] SECA: Semantically Equivalent and Coherent Attacks for Eliciting LLM ···
judgeval
开源
给 AI Agent 装上持续评测仪表盘，让改进有据可依
The Continuous-Improvement Stack for Agents. Our environment data and evals power ag···
Oversight
开源
模块化拆解 LLM，自动红队测试，发现漏洞
A Completely Modular LLM Reverse Engineering, Red Teaming, and Vulnerability Researc···