
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 2026-11-20 · 当前星标 ★ 103
核心亮点
- 把物理推理做成多轮交互环境,能测出模型主动实验、修正假设的能力,而非只看最终答案
- 提供统一任务集与评测脚本,便于横向对比不同 LLM 和 agent 框架的科学推理表现
- 基于 Python,环境接口清晰,可扩展新物理任务与评分规则
不足之处
- 项目处于早期,任务规模和覆盖的物理领域有限
- 文档与社区生态尚不完善,接入自定义模型需读源码
适用场景
- 评估 LLM 在方程发现任务上的探索与归纳能力
- 对比不同 agent 框架在科学实验设计中的表现
- 作为 AI Scientist 类研究流程的推理能力测试环节
替代项目
ScienceAgentBench、DiscoveryBench
下一篇:MARBLE
同类项目推荐
One-Eval
开源
用 agent 自动跑完 LLM 评测全流程,省去手工配数据与打分
Automated system for LLM evaluation via agents. Doc as below:
Awesome-LLMSecOps
开源
一库在手,LLM 安全运营全链路资源速查
LLM | Agentic | Security | Operations in one github repo with good links and picture···
MMStar
开源
更公平地测出大模型真实视觉能力,避免作弊分
[NeurIPS 2024] This repo contains evaluation code for the paper "Are We on the Right···
Awesome-Trustworthy-AudioLLMs
开源
音频大模型可信性论文一站查,快速建立研究地图
A reading list for trustworthy audio large language models.
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···
llm_chess
开源
让大模型下棋,测出推理和守规则的真实水平
LLM Chess - evaluating Large Language Models' reasoning and instruction-following ab···
langtest
开源
给大模型做全面体检,上线前揪出安全漏洞
Deliver safe & effective language models
agent-skills-eval
开源
跑一遍测试,就知道你的 AI 技能行不行
A test runner for agentskills.io-style AI agent skills
ASTRA
开源
实战对抗攻击,一键测出 AI 模型的安全漏洞
Amazon Nova AI Challenge Winner - ASTRA emerged victorious as the top attacking team···