AgentSims：开源的大型语言模型评估沙盒
项目介绍
在ChatGPT等大型语言模型（LLM）风靡全球之后，如何评估这些模型的能力成为了一个开放性问题。现有的评估方法存在诸多不足，如评估能力受限、基准脆弱、指标不客观等。为了解决这些问题，我们提出了基于任务的评估方法，即让LLM代理在模拟环境中完成任务。
AgentSims 是一个易于使用的开源基础设施，旨在为来自不同学科的研究人员提供一个测试他们感兴趣的具体能力的平台。研究人员可以通过交互式GUI添加代理和建筑物来构建评估任务，或者通过几行代码部署和测试新的支持机制，如记忆系统和规划系统。
项目技术分析
技术栈
- Python: 3.9.x
- MySQL: 8.0.31
- Tornado: 用于构建异步Web应用程序
- MySQL Connector: 用于与MySQL数据库交互
- WebSockets: 实现实时通信
- OpenAI Async: 异步调用OpenAI API
架构设计
AgentSims采用模块化设计，支持自定义任务构建和评估机制。系统通过MySQL进行数据存储，并使用Tornado框架构建Web服务器。通过WebSockets实现客户端与服务器之间的实时通信，确保评估过程的高效性和实时性。
项目及技术应用场景
应用场景
- 学术研究: 研究人员可以利用AgentSims构建复杂的评估任务，测试LLM在特定领域的性能。
- 工业应用: 企业可以利用AgentSims进行内部模型的评估和优化，确保模型在实际应用中的表现。
- 教育培训: 教育机构可以使用AgentSims进行教学实验，帮助学生理解LLM的工作原理和评估方法。
技术应用
- 任务构建: 通过交互式GUI或代码自定义任务，灵活构建评估场景。
- 模型部署: 支持自定义模型的部署和测试，满足不同研究需求。
- 实时评估: 通过WebSockets实现实时评估，确保评估结果的及时性和准确性。
项目特点
开源定制
AgentSims是一个开源项目，研究人员可以根据自己的需求自由定制任务和评估机制。相比其他类似系统，AgentSims具有更好的定制能力，能够满足不同研究场景的需求。
交互式GUI
系统提供了一个交互式GUI，研究人员可以通过简单的拖拽操作添加代理和建筑物，快速构建评估任务。
模块化设计
AgentSims采用模块化设计，支持自定义任务构建和评估机制。研究人员可以通过几行代码部署和测试新的支持机制，如记忆系统和规划系统。
实时通信
通过WebSockets实现客户端与服务器之间的实时通信，确保评估过程的高效性和实时性。
详细文档
项目提供了详细的文档和示例，帮助研究人员快速上手。文档涵盖了任务构建、模型部署、实时评估等方面的内容，确保研究人员能够充分利用系统的功能。
结语
AgentSims为大型语言模型的评估提供了一个强大的开源平台，帮助研究人员解决现有评估方法的不足。无论你是学术研究者、企业开发者还是教育工作者，AgentSims都能为你提供一个灵活、高效的评估解决方案。快来体验AgentSims，开启你的LLM评估之旅吧！
项目地址: AgentSims
论文链接: arXiv
联系我们: zhaohaoran@buaa.edu.cn
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级，通过中期大规模视觉-语言推理数据训练，显著提升了模型的表征能力和模态对齐，实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager（推理记忆数据管理器），是一款以KV Cache为中心的推理加速套件，其融合了多类型缓存加速算法工具，分级管理并持久化推理过程中产生的KV Cache记忆数据，扩大推理上下文窗口，以实现高吞吐、低时延的推理体验，降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始，我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度，并在 200–300 次连续调用中保持稳定的工具使用能力，它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时，K2 Thinking 是原生 INT4 量化模型，具备 256k 上下文窗口，实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建，总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比，它在性能上有显著提升，并引入了新的实用功能Python00- Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型，支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容，输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入，具备多页批量处理、动态分块识别和交互式区域选择等创新功能，用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源，提供Hugging Face演示和完整代码，适用于学术研究到工业应用的广泛场景，为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
- Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型，并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型，它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色，旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
docs
kernel
pytorch
flutter_flutter
ohos_react_native
ops-math
cangjie_compiler
RuoYi-Vue3torchair
openHiTLS