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 ★ 119
核心亮点
- 覆盖数学、物理、CS 多领域，问题多样性高
- 明确要求超越现有实现，直接对标性能优化
- NeurIPS 背书，学术权威性强
不足之处
- 文档/社区待观察
- 基准规模较小（154题），可能不足以全面评估
适用场景
- 算法竞赛选手训练性能优化技巧
- 研究者评估新算法或代码生成模型的效率
- 开发者学习如何针对具体问题调优代码
替代项目
HumanEval、CodeContests、LeetCode Benchmark
上一篇：Auditor
下一篇：GitTaskBench
同类项目推荐
Omni-SafetyBench
开源
给音视频大模型做安全体检，发现隐藏风险
[ACM MM 2026] Code for paper "Omni-SafetyBench: A Benchmark for Safety Evaluation of···
PromptInject
开源
模块化组装提示词，量化评估LLM对抗攻击的鲁棒性。
PromptInject is a framework that assembles prompts in a modular fashion to provide a···
defenseclaw
开源
给自主 AI Agent 套上可审计的安全护栏
Security Governance for Agentic AI
RAGElo
开源
用 Elo 对战排名，快速选出最强 RAG 智能体
RAGElo is a set of tools that helps you selecting the best RAG-based LLM agents by u···
appworld
开源
在真实模拟世界里，测试你的 AI 智能体会不会办事。
AppWorld: A Controllable World of Apps and People for Benchmarking Function Calling ···
hypoarena
开源
埋好因果链的合成文献，用 Elo 赛出谁能挖出真假设
Scientific hypothesis-discovery workbench: grounded hypothesis-evidence graphs, synt···
napolab
开源
一站式对比葡萄牙语AI模型，掌握最新性能排名
The Natural Portuguese Language Benchmark (Napolab). Stay up to date with the latest···
TaskMeAnything
开源
自动生成多模态任务，全面评估模型能力
[NeurIPS 2024] A task generation and model evaluation system for multimodal languag···
FollowBench
开源
用多级细粒度约束，精准测出大模型指令遵循的真实水平
[ACL 2024] FollowBench: A Multi-level Fine-grained Constraints Following Benchmark f···