[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-KCORES--kcores-llm-arena":3,"tool-KCORES--kcores-llm-arena":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":45,"env_os":102,"env_gpu":103,"env_ram":104,"env_deps":105,"category_tags":119,"github_topics":79,"view_count":45,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":120,"updated_at":121,"faqs":122,"releases":128},1167,"KCORES\u002Fkcores-llm-arena","kcores-llm-arena","LLM Arena by KCORES team","Kcores-llm-arena 是一个专注于真实场景的大型语言模型评测平台，旨在更准确地反映大模型在实际应用中的表现。与传统以选择题为主的评测方式不同，它通过编程任务、数学计算、创意生成等多样化测试内容，结合人工评分和基准测试，避免了模型针对特定测试进行优化带来的偏差。该工具适合开发者、研究人员以及对AI性能有较高要求的用户使用，尤其适用于需要评估模型实际编程能力和问题解决能力的场景。其技术亮点在于贴近现实的测试设计和多维度的评分机制，能够更全面地展现大模型的真实水平。","KCORES LLM Arena - KCORES 大模型竞技场\n-------------------------------------\n\n\n![KCORES LLM Arena](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKCORES_kcores-llm-arena_readme_66d378a22bfb.png)\n\n## Desc\n\n现有的大模型评测大多数都是做选择题, 导致十分容易针对测试进行优化, 进而结果失真.\n\n所以本测试专注于现实世界场景, 并采用人工评分和基准测试的方式进行评测, 力争还原大模型在现实世界中的表现.\n\n\n\n\n## 真实世界编程能力测试 \n\n- version: **2025-04-29**\n- Winner: **👑Gemini-2.5-Pro-Experimental-03-25**\n\n### 评测内容\n\n本评测包含4个测试大项, 66个小项 (题目), 测试内容包含 Python, Javascript, HTML, CSS, Canvas, WebWorker, 计算机图形学, 性能优化, 需求还原, 字符串处理, 数学, 物理, 创意等等\n\n### 结论\n\n目前最好的编程大模型是什么？**👑Gemini-2.5-Pro-Experimental-03-25** \n\n那么除了 Gemini-2.5-Pro, 最好的选择是什么？答案是 **Claude** 全家桶, 无论是 **Claude-3.7** 还是 **Claude-3.5** 都是非常好的选择\n\n开源模型最强是哪一个? 当然是 **Qwen3-235B-A22B-Thinking**\n\nDeepSeek 系列呢? 答案是 **DeepSeek-V3-0324** 当然 **DeepSeek-R1** 也是非常好的选择\n\nOpenAI 系列呢？答案是 **OpenAI-o1**\n\nGrok 嘛...开心那就好\n\n![Coding Benchmark](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKCORES_kcores-llm-arena_readme_cd56867a1985.png)\n\n\n### 测试子项\n\n**[Ball Bouncing Inside Spinning Heptagon](.\u002Fbenchmark-ball-bouncing-inside-spinning-heptagon\u002FREADME.md)**  \n**[Mandelbrot Set Meet LiBai Benchmark](.\u002Fbenchmark-mandelbrot-set-meet-libai\u002FREADME.md)**  \n**[Mars Mission Benchmark](.\u002Fbenchmark-mars-mission\u002FREADME.md)**  \n**[Solar System Benchmark](.\u002Fbenchmark-solar-system\u002FREADME.md)**  \n\n![Ball Bouncing Inside Spinning Heptagon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKCORES_kcores-llm-arena_readme_3bd2dae720ac.gif)\n\n\n\n\n## 贡献代码\n\n开源项目离不开众人拾柴火焰高, 这也是开源项目的魅力所在. 欢迎各位贡献本项目!\n\n**PR Tips**\n\n- 每个项目测试三次, 将输出命名为 ```{benchmark_name}-{model_name}-{turn-n} ```\n- 选取得分最高的输出, 将测试输出后缀增加 ```-high-score```, 例如: ```benchmark-ball-bouncing-inside-spinning-hexagon-Claude-3.7-Sonnet-Thinking-turn-3-high-score.py```\n- 在项目目录运行 ```make all``` 生成得分图片, 生成环境需要有 python-3.10.\n- 提交 PR 即可. \n\n**贡献者**  \n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKCORES\u002Fkcores-LLM-Arena\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKCORES_kcores-llm-arena_readme_2597de78570e.png\" \u002F>\n\u003C\u002Fa>\n\n\n\n## License\n\n[KCORES License Version 1.0](.\u002FLICENSE_zh-CN)\n","KCORES 大模型竞技场 - KCORES LLM Arena\n-------------------------------------\n\n\n![KCORES LLM Arena](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKCORES_kcores-llm-arena_readme_66d378a22bfb.png)\n\n## 简介\n\n现有的大模型评测大多采用选择题形式，这使得模型很容易针对测试进行优化，从而导致评测结果失真。\n\n因此，本评测专注于现实世界场景，结合人工评分与基准测试方法，力求真实还原大模型在实际应用中的表现。\n\n\n\n\n## 真实世界编程能力测试 \n\n- 版本: **2025-04-29**\n- 优胜者: **👑Gemini-2.5-Pro-Experimental-03-25**\n\n### 评测内容\n\n本次评测共包含4个大项、66个小项（题目），涵盖 Python、Javascript、HTML、CSS、Canvas、WebWorker、计算机图形学、性能优化、需求分析、字符串处理、数学、物理、创意等多个领域。\n\n### 结论\n\n目前最佳的编程大模型是：**👑Gemini-2.5-Pro-Experimental-03-25**  \n\n那么，除了 Gemini-2.5-Pro 之外，还有哪些优秀的选择呢？答案是 **Claude** 全家桶——无论是 **Claude-3.7** 还是 **Claude-3.5**，都是极为出色的选择。\n\n开源模型中最强的是哪一款？当然是 **Qwen3-235B-A22B-Thinking**。\n\nDeepSeek 系列又如何呢？答案是 **DeepSeek-V3-0324**，当然，**DeepSeek-R1** 也是非常不错的选择。\n\nOpenAI 系列呢？答案是 **OpenAI-o1**。\n\n至于 Grok……只要用得开心就好啦！\n\n![编程基准测试](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKCORES_kcores-llm-arena_readme_cd56867a1985.png)\n\n\n### 测试子项\n\n**[旋转七边形内的球体弹跳](.\u002Fbenchmark-ball-bouncing-inside-spinning-heptagon\u002FREADME.md)**  \n**[曼德博集合与李白诗作融合基准测试](.\u002Fbenchmark-mandelbrot-set-meet-libai\u002FREADME.md)**  \n**[火星任务基准测试](.\u002Fbenchmark-mars-mission\u002FREADME.md)**  \n**[太阳系基准测试](.\u002Fbenchmark-solar-system\u002FREADME.md)**  \n\n![旋转七边形内的球体弹跳](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKCORES_kcores-llm-arena_readme_3bd2dae720ac.gif)\n\n\n\n\n## 贡献代码\n\n开源项目之所以能够蓬勃发展，正是得益于大家的共同努力，这也是开源的魅力所在。我们诚挚欢迎各位为本项目贡献力量！\n\n**PR 提示**\n\n- 每个项目的测试需运行三次，将输出文件命名为 ```{benchmark_name}-{model_name}-{turn-n} ```\n- 选取得分最高的输出，并在其文件名后添加 ```-high-score``` 后缀，例如：```benchmark-ball-bouncing-inside-spinning-hexagon-Claude-3.7-Sonnet-Thinking-turn-3-high-score.py```\n- 在项目目录下运行 ```make all``` 即可生成得分图片；生成环境需安装 Python 3.10。\n- 完成后提交 PR 即可。 \n\n**贡献者**  \n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKCORES\u002Fkcores-LLM-Arena\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKCORES_kcores-llm-arena_readme_2597de78570e.png\" \u002F>\n\u003C\u002Fa>\n\n\n\n## 许可证\n\n[KCORES 许可证 1.0 版](.\u002FLICENSE_zh-CN)","# kcores-llm-arena 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux 或 macOS（Windows 也可使用，需配置 WSL）\n- Python 版本：3.10 或以上\n\n### 前置依赖\n- Python 3.10+\n- pip（Python 包管理工具）\n- Git（用于克隆项目）\n\n> 推荐使用国内镜像源加速安装，例如：\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n1. 克隆项目到本地：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FKCORES\u002Fkcores-LLM-Arena.git\ncd kcores-LLM-Arena\n```\n\n2. 安装依赖（可选，根据需要安装）：\n```bash\npip install -r requirements.txt\n```\n\n## 基本使用\n\n1. 运行所有测试用例并生成评分图片：\n```bash\nmake all\n```\n\n2. 查看测试结果：\n   - 生成的评分图片会保存在项目目录下的 `images\u002F` 文件夹中。\n\n3. 提交 PR（贡献代码）：\n   - 按照 README 中的 PR Tips 提交你的测试结果。\n   - 示例文件名格式：\n     ```bash\n     benchmark-ball-bouncing-inside-spinning-heptagon-Claude-3.7-Sonnet-Thinking-turn-3-high-score.py\n     ```","某软件开发团队正在为一家教育科技公司开发一款基于 AI 的编程学习平台，需要评估不同大模型在实际编程任务中的表现，以决定是否将其集成到产品中。团队希望找到一个能真实反映模型能力的评测工具。\n\n### 没有 kcores-llm-arena 时  \n- 缺乏统一的、贴近真实场景的评测标准，导致不同模型的比较缺乏客观依据  \n- 评测内容多为选择题，容易被优化，无法准确反映模型的实际编程能力  \n- 需要自行设计测试用例，耗时且难以覆盖全面的编程技能点  \n- 无法获取权威的模型性能对比数据，影响决策效率  \n\n### 使用 kcores-llm-arena 后  \n- 直接使用包含 66 个真实编程任务的评测体系，快速获得模型在多种编程语言和场景下的表现  \n- 通过人工评分与基准测试结合的方式，确保评测结果更贴近实际应用需求  \n- 节省大量时间成本，无需自行构建测试环境和题目  \n- 获取清晰的模型排名和性能对比，辅助团队做出更有依据的技术选型  \n\nkcores-llm-arena 为开发团队提供了高效、可靠的大模型评测方案，显著提升了技术选型的科学性和准确性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKCORES_kcores-llm-arena_66d378a2.png","KCORES","KCORES - 氪金核心","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FKCORES_d620ae36.png","一个关注消费电子, AI, 万兆网络, 家用NAS, 垃圾佬, Homelab, Vintage 等有趣电子产品的爱好者群体",null,"https:\u002F\u002Fkcores.com","https:\u002F\u002Fgithub.com\u002FKCORES",[83,87,91,95],{"name":84,"color":85,"percentage":86},"HTML","#e34c26",80.5,{"name":88,"color":89,"percentage":90},"Python","#3572A5",19.4,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0,{"name":96,"color":97,"percentage":94},"Makefile","#427819",963,42,"2026-03-31T17:13:15","NOASSERTION","Linux, macOS, Windows","需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+","16GB+",{"notes":106,"python":107,"dependencies":108},"建议使用 conda 管理环境，首次运行需下载约 5GB 模型文件","3.10",[109,110,111,112,113,114,115,116,117,118],"torch>=2.0","transformers>=4.30","accelerate","numpy","pandas","matplotlib","requests","tqdm","pyyaml","scikit-learn",[15],"2026-03-27T02:49:30.150509","2026-04-06T05:44:25.921182",[123],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},5294,"图片无法显示，可能是损坏了吗？","请尝试清除浏览器缓存或使用其他浏览器访问。如果问题仍然存在，请检查网络连接或联系项目维护者。","https:\u002F\u002Fgithub.com\u002FKCORES\u002Fkcores-llm-arena\u002Fissues\u002F12",[]]