| .. |
|
EDA
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
agent_bench
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
aider_bench
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
biocoder
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
bird
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
browsing_delegation
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
commit0_bench
|
bfb191b5c7
Fix issue #5739: [Bug]: Move ./evaluation/swe_bench/scripts/cleanup_remote_runtime.sh to general eval utils (#5740)
|
1 an în urmă |
|
discoverybench
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
gaia
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
gorilla
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
gpqa
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
humanevalfix
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
logic_reasoning
|
21948fa81b
Fix issue #5735: [Bug]: Inconsistent command line arguments in evaluation directory (#5736)
|
1 an în urmă |
|
miniwob
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
mint
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
ml_bench
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
|
scienceagentbench
|
21948fa81b
Fix issue #5735: [Bug]: Inconsistent command line arguments in evaluation directory (#5736)
|
1 an în urmă |
|
swe_bench
|
8975fcd714
Fix issue #5748: Rename "Ran a Jupyter Command" to "Ran a Python Command" in UI (#5749)
|
1 an în urmă |
|
the_agent_company
|
6a4442e590
[Evaluation] Add summarise_results script for TheAgentCompany benchmark (#5811)
|
1 an în urmă |
|
toolqa
|
21948fa81b
Fix issue #5735: [Bug]: Inconsistent command line arguments in evaluation directory (#5736)
|
1 an în urmă |
|
webarena
|
3297e4d5a8
Use litellm's modify params (#5636)
|
1 an în urmă |
Boxuan Li
6a4442e590
[Evaluation] Add summarise_results script for TheAgentCompany benchmark (#5811)