Boxuan Li feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
..
EDA feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
agent_bench feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
biocoder feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
bird feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
gaia feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
gorilla feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
gpqa feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
humanevalfix feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
logic_reasoning feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
miniwob feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
mint feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
ml_bench feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
regression e89cc8f19b Feat: add stream output to exec_run (#1625) 1 năm trước cách đây
static b2fdb963b6 Add detailed tutorial for adding new evaluation benchmarks (#1827) 1 năm trước cách đây
swe_bench b569ba710d docs: Add visualizer instruction for SWE-Bench (#2529) 1 năm trước cách đây
toolqa feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
utils feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
webarena feabc97aba Evaluation time travel: build sandbox on the fly (#2491) 1 năm trước cách đây
README.md ebafb702e5 Add ML-Bench Evaluation with OpenDevin (#2015) 1 năm trước cách đây
TUTORIAL.md 75cecf68e0 docs: update tutorial docs (#1912) 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.