
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 ★ 322
核心亮点
- 论文配套代码,评测任务与指标有明确学术依据,便于复现和横向对比
- 同时覆盖协作与竞争两类多智能体交互,场景设计比单一任务基准更全面
- Python 实现,智能体角色、通信与实验流程可配置,便于接入自有模型做消融
不足之处
- 早期项目,星标与社区规模较小,第三方扩展和问题解答资源有限
- 依赖具体 LLM 接口与运行环境,完整跑通评测的配置成本较高
适用场景
- 研究团队复现 MultiAgentBench 论文结果并对比不同基座模型
- 智能体框架开发者评测多智能体编排策略的协作效率
- 教学或课程中演示多智能体竞争与协商的量化分析
替代项目
AgentBench、GAIA、SWE-bench
上一篇:PhysGym
下一篇:没有了!
同类项目推荐
eval
开源
用真实编码任务测出大模型真实力,结果公开可对比
Public results and task definitions for FrontierHarness Eval
DS-1000
开源
用真实数据科学题测出大模型写代码的真实水平
[ICML 2023] Data and code release for the paper "DS-1000: A Natural and Reliable Ben···
ViT-Prisma
开源
打开视觉Transformer黑箱,看清内部机制
ViT Prisma is a mechanistic interpretability library for Vision and Video Transforme···
human-eval
开源
用164道题跑单元测试,量化代码模型写对率
Code for the paper "Evaluating Large Language Models Trained on Code"
hanshuang-codex
开源
桌面端批量测大模型越狱提示,一键跑实验看边界
针对GPT 6.0,workbuddyV4.1flash的破甲实验项目
PatchEval
开源
用真实漏洞测大模型修 bug 的真本事
PatchEval: A New Benchmark for Evaluating LLMs on Patching Real-World Vulnerabilitie···
arksim
开源
模拟真实用户对话,上线前自动揪出智能体错误。
Find your agents errors be fore your real users do
LLM-Agent-Benchmark-List
开源
一站式查找 LLM 智能体评估基准,省去全网搜索时间
A banchmark list for evaluation of large language models.
awesome-language-model-analysis
开源
一份论文清单,帮你快速摸清大模型分析的研究脉络。
This paper list focuses on the theoretical and empirical analysis of language models···