மனோஜ்குமார் பழனிச்சாமி 563ebd406d Fix: Add missing arguments for SSHBox in evaluation (#3075) 1 năm trước cách đây
..
EDA 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
agent_bench 563ebd406d Fix: Add missing arguments for SSHBox in evaluation (#3075) 1 năm trước cách đây
biocoder 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
bird 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
browsing_delegation 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
gaia 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
gorilla 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
gpqa 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
humanevalfix 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
logic_reasoning 563ebd406d Fix: Add missing arguments for SSHBox in evaluation (#3075) 1 năm trước cách đây
miniwob 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
mint 563ebd406d Fix: Add missing arguments for SSHBox in evaluation (#3075) 1 năm trước cách đây
ml_bench 563ebd406d Fix: Add missing arguments for SSHBox in evaluation (#3075) 1 năm trước cách đây
regression 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
static b2fdb963b6 Add detailed tutorial for adding new evaluation benchmarks (#1827) 1 năm trước cách đây
swe_bench 1c813a2fa0 support swebench pull from custom namespace (#3136) 1 năm trước cách đây
toolqa 275ea706cf Remove remaining global config (#3099) 1 năm trước cách đây
utils 3a21198424 Remove monologue agent (#3036) 1 năm trước cách đây
webarena 563ebd406d Fix: Add missing arguments for SSHBox in evaluation (#3075) 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.