Xingyao Wang da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
..
EDA da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
agent_bench da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
biocoder da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
bird da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
browsing_delegation da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
gaia da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
gorilla da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
gpqa da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
humanevalfix da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
logic_reasoning da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
miniwob da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
mint da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
ml_bench da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
regression 3a21198424 Remove monologue agent (#3036) 1 năm trước cách đây
static b2fdb963b6 Add detailed tutorial for adding new evaluation benchmarks (#1827) 1 năm trước cách đây
swe_bench da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
toolqa da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
utils 3a21198424 Remove monologue agent (#3036) 1 năm trước cách đây
webarena da17665cab fix: make max_budget_per_task optional in `run_agent_controller` (#3071) 1 năm trước cách đây
README.md ebafb702e5 Add ML-Bench Evaluation with OpenDevin (#2015) 1 năm trước cách đây
TUTORIAL.md ff6ddc831f fix: runtime test for mac (#3005) 1 năm trước cách đây
__init__.py 2406b901df feat(SWE-Bench environment) integrate SWE-Bench sandbox (#1468) 1 năm trước cách đây

README.md

Evaluation

This folder contains code and resources to run experiments and evaluations.

Logistics

To better organize the evaluation folder, we should follow the rules below:

  • Each subfolder contains a specific benchmark or experiment. For example, evaluation/swe_bench should contain all the preprocessing/evaluation/analysis scripts.
  • Raw data and experimental records should not be stored within this repo.
  • Important data files of manageable size and analysis scripts (e.g., jupyter notebooks) can be directly uploaded to this repo.

Supported Benchmarks

Result Visualization

Check this huggingface space for visualization of existing experimental results.

Upload your results

You can start your own fork of our huggingface evaluation outputs and submit a PR of your evaluation results to our hosted huggingface repo via PR following the guide here.