AlphaEval：覆盖6大行业94个真实任务的开源生产级AI智能体评测框架
AlphaEval是GAIR-NLP开源生产级AI智能体评测框架，内置94个企业真实业务任务，支持多范式混合评测、Docker沙箱执行，对比Claude Code、Copilot等商用Agent，解决学术基准与...
WorkBuddy Bench：腾讯优图开源的全场景AI工作智能体评测基准
WorkBuddy Bench 是腾讯优图实验室、科恩安全实验室联合推出的开源真实岗位AI智能体评测基准框架，专门用于量化评估各类代码、通用工作型AI智能体的综合实操能力。
EdgeBench：字节开源的长时序AI智能体评测基准，支持12小时迭代闭环打分
EdgeBench是字节跳动Seed开源的长周期AI智能体评测基准，配套SForge双容器隔离评测引擎，支持12小时迭代式测试，包含134项真实工业任务，用于大模型、自主智能体能力标准化...
PawBench：阿里通义开源的全链路AI智能体自动化评测基准
PawBench是通义实验室AgentScope团队开源的全链路AI智能体评测基准，采用模型+框架+任务三维评测体系，内置海量标准化测试用例，支持多主流大模型与智能体框架接入，具备自...