[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hendrycks--apps":3,"tool-hendrycks--apps":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":76,"owner_website":83,"owner_url":84,"languages":85,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":45,"env_os":98,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":102,"github_topics":103,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":106,"updated_at":107,"faqs":108,"releases":139},2470,"hendrycks\u002Fapps","apps","APPS: Automated Programming Progress Standard (NeurIPS 2021)","APPS（Automated Programming Progress Standard）是一个专为评估人工智能编程能力而设计的高质量基准数据集，相关研究成果曾发表于 NeurIPS 2021。它主要致力于解决当前大语言模型在代码生成领域缺乏统一、客观且具备挑战性评估标准的问题。通过提供从入门级到竞赛级的多样化编程题目，APPS 能够全面衡量 AI 模型在理解复杂需求、算法逻辑推导以及生成可执行代码方面的真实水平，从而填补了传统简单代码补全测试与高阶编程思维之间的空白。\n\n这一资源特别适合人工智能研究人员、大模型开发者以及专注于程序合成（Program Synthesis）的技术团队使用。对于希望微调代码生成模型或验证新算法有效性的研究者而言，APPS 提供了标准化的训练数据和评估代码，支持复现论文结果并进行横向对比。此外，它也适用于教育科技领域的从业者，用于探索自动化编程辅导系统的潜力。\n\n在技术亮点方面，APPS 不仅包含了超过 5000 个来自在线评测系统的 Python 编程问题，还配套提供了针对 GPT-2 1.5B 和 GPT-Neo 2.7B 等模型的微调权重，极大地降低","APPS（Automated Programming Progress Standard）是一个专为评估人工智能编程能力而设计的高质量基准数据集，相关研究成果曾发表于 NeurIPS 2021。它主要致力于解决当前大语言模型在代码生成领域缺乏统一、客观且具备挑战性评估标准的问题。通过提供从入门级到竞赛级的多样化编程题目，APPS 能够全面衡量 AI 模型在理解复杂需求、算法逻辑推导以及生成可执行代码方面的真实水平，从而填补了传统简单代码补全测试与高阶编程思维之间的空白。\n\n这一资源特别适合人工智能研究人员、大模型开发者以及专注于程序合成（Program Synthesis）的技术团队使用。对于希望微调代码生成模型或验证新算法有效性的研究者而言，APPS 提供了标准化的训练数据和评估代码，支持复现论文结果并进行横向对比。此外，它也适用于教育科技领域的从业者，用于探索自动化编程辅导系统的潜力。\n\n在技术亮点方面，APPS 不仅包含了超过 5000 个来自在线评测系统的 Python 编程问题，还配套提供了针对 GPT-2 1.5B 和 GPT-Neo 2.7B 等模型的微调权重，极大地降低了研究门槛。数据集已集成至 Hugging Face 平台，方便用户快速加载和使用。作为一个开源项目，APPS 旨在推动社区对机器编程能力的深入理解，为构建更智能、更可靠的代码辅助工具奠定坚实基础。","# Measuring Coding Challenge Competence With APPS\nThis is the repository for [Measuring Coding Challenge Competence With APPS](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2105.09938) by\n[Dan Hendrycks\\*](https:\u002F\u002Fdanhendrycks.com\u002F), [Steven Basart\\*](https:\u002F\u002Fstevenbas.art), [Saurav Kadavath](http:\u002F\u002Fwww.sauravkadavath.com), Mantas Mazeika, [Akul Arora](https:\u002F\u002Fgithub.com\u002Fakulaarora), Ethan Guo, [Collin Burns](http:\u002F\u002Fcollinpburns.com), Samir Puranik, [Horace He](http:\u002F\u002Fhorace.io), [Dawn Song](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~dawnsong\u002F), and [Jacob Steinhardt](https:\u002F\u002Fwww.stat.berkeley.edu\u002F~jsteinhardt\u002F).\n\nDownload the [**APPS dataset here**](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~hendrycks\u002FAPPS.tar.gz). (~1.3GB)\n\nThis repository contains both training and evaluation code.\n\nFine-tuned GPT-2 1.5B and GPT-Neo 2.7B weights are available [here](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1XW1Od9L-5l9zXl1HUCyER5pS9zQTbIvU\u002Fview?usp=sharing).\n\nFor other benchmarks of enormous Transformers, see a dataset which tests ability in [competition math](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fmath), a dataset which tests knowledge of [ethics](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fethics), and [a dataset spanning 50+ academic subjects](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Ftest).\n\n## How to Use\n\nThe training instructions are specified in [train\u002FREADME](train\u002FREADME.md) and similarly the evaluation instructions are specified in [eval\u002FREADME](eval\u002FREADME.md).\n\n### Hugging Face\n\nThe dataset is also available in [Hugging Face datasets](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fcodeparrot\u002Fapps) under apps.\n\n## Citation\n\nIf you find this useful in your research, please consider citing\n\n    @article{hendrycksapps2021,\n      title={Measuring Coding Challenge Competence With APPS},\n      author={Dan Hendrycks and Steven Basart and Saurav Kadavath and Mantas Mazeika and Akul Arora and Ethan Guo and Collin Burns and Samir Puranik and Horace He and Dawn Song and Jacob Steinhardt},\n      journal={NeurIPS},\n      year={2021}\n    }\n","# 使用 APPS 衡量编程挑战能力\n这是由 [Dan Hendrycks\\*](https:\u002F\u002Fdanhendrycks.com\u002F)、[Steven Basart\\*](https:\u002F\u002Fstevenbas.art)、[Saurav Kadavath](http:\u002F\u002Fwww.sauravkadavath.com)、Mantas Mazeika、[Akul Arora](https:\u002F\u002Fgithub.com\u002Fakulaarora)、Ethan Guo、[Collin Burns](http:\u002F\u002Fcollinpburns.com)、Samir Puranik、[Horace He](http:\u002F\u002Fhorace.io)、[Dawn Song](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~dawnsong\u002F) 以及 [Jacob Steinhardt](https:\u002F\u002Fwww.stat.berkeley.edu\u002F~jsteinhardt\u002F) 共同撰写的论文 [Measuring Coding Challenge Competence With APPS](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2105.09938) 的代码仓库。\n\n请在此处下载 [**APPS 数据集**](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~hendrycks\u002FAPPS.tar.gz)（约 1.3GB）。\n\n该仓库包含训练和评估代码。\n\n经过微调的 GPT-2 1.5B 和 GPT-Neo 2.7B 权重可在此处获取：[这里](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1XW1Od9L-5l9zXl1HUCyER5pS9zQTbIvU\u002Fview?usp=sharing)。\n\n如需了解更多关于大型 Transformer 模型的基准测试，请参阅用于测试竞赛数学能力的数据集 [codeparrot\u002Fmath](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fmath)、用于测试伦理知识的数据集 [hendrycks\u002Fethics](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fethics)，以及涵盖 50 多个学科领域的数据集 [hendrycks\u002Ftest](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Ftest)。\n\n## 使用方法\n\n训练说明见 [train\u002FREADME](train\u002FREADME.md)，评估说明则见 [eval\u002FREADME](eval\u002FREADME.md)。\n\n### Hugging Face\n\n该数据集也在 [Hugging Face 数据集](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fcodeparrot\u002Fapps) 中以 apps 名称提供。\n\n## 引用\n\n如果您在研究中使用了本项目，请考虑引用以下文献：\n\n    @article{hendrycksapps2021,\n      title={Measuring Coding Challenge Competence With APPS},\n      author={Dan Hendrycks and Steven Basart and Saurav Kadavath and Mantas Mazeika and Akul Arora and Ethan Guo and Collin Burns and Samir Puranik and Horace He and Dawn Song and Jacob Steinhardt},\n      journal={NeurIPS},\n      year={2021}\n    }","# APPS 快速上手指南\n\nAPPS (Automated Programming Progress Standard) 是一个用于衡量 AI 模型编程挑战能力的基准数据集。本指南将帮助你快速获取数据并了解基本使用方式。\n\n## 环境准备\n\n*   **系统要求**：Linux 或 macOS（推荐 Linux），具备足够的存储空间以容纳数据集（约 1.3GB）及模型权重。\n*   **前置依赖**：\n    *   Python 3.7+\n    *   Git\n    *   Hugging Face `datasets` 库（推荐用于快速加载数据）\n    *   PyTorch 或 TensorFlow（如需运行训练\u002F评估代码）\n\n## 安装步骤\n\n### 1. 获取代码仓库\n\n克隆官方仓库以获取训练和评估脚本：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fapps.git\ncd apps\n```\n\n### 2. 获取数据集\n\n你可以选择以下任一方式获取 APPS 数据集：\n\n**方式 A：直接下载（官方源）**\n下载并解压数据集文件（约 1.3GB）：\n\n```bash\nwget https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~hendrycks\u002FAPPS.tar.gz\ntar -xzvf APPS.tar.gz\n```\n\n**方式 B：通过 Hugging Face Datasets 加载（推荐）**\n如果你已安装 `datasets` 库，可以直接在代码中加载，无需手动下载解压：\n\n```bash\npip install datasets\n```\n\n### 3. 获取预训练权重（可选）\n\n如果需要微调后的 GPT-2 1.5B 或 GPT-Neo 2.7B 权重，请从以下链接下载：\n[Google Drive 链接](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1XW1Od9L-5l9zXl1HUCyER5pS9zQTbIvU\u002Fview?usp=sharing)\n\n## 基本使用\n\n### 使用 Hugging Face 加载数据\n\n这是最简便的使用方式，适合快速进行数据探索或集成到现有 Pipeline 中：\n\n```python\nfrom datasets import load_dataset\n\n# 加载 APPS 数据集\ndataset = load_dataset(\"codeparrot\u002Fapps\")\n\n# 查看训练集示例\nprint(dataset[\"train\"][0])\n```\n\n### 运行训练与评估\n\n具体的训练和评估流程依赖于仓库中的脚本，请参考以下文档执行相应命令：\n\n*   **训练**：查看 `train\u002FREADME.md` 获取详细的训练指令。\n*   **评估**：查看 `eval\u002FREADME.md` 获取详细的评估指令。\n\n典型的使用流程如下（具体参数请参阅对应 README）：\n\n```bash\n# 示例：进入训练目录查看说明\ncat train\u002FREADME.md\n\n# 示例：进入评估目录查看说明\ncat eval\u002FREADME.md\n```","某大型科技公司的 AI 研发实验室正在开发一款专用于辅助程序员解决算法难题的代码生成模型，团队需要一套权威且标准化的基准来量化评估模型在编程挑战中的真实能力。\n\n### 没有 apps 时\n- **评估标准碎片化**：团队只能依赖 LeetCode 或 Codeforces 等平台的零散题目，缺乏统一的数据集格式和难度分级，导致不同版本的模型难以进行公平、横向的性能对比。\n- **测试用例覆盖不足**：自行构建的测试案例往往边界条件考虑不周，模型可能通过“硬编码”或巧合通过简单测试，却无法处理复杂输入，造成模型能力虚高的假象。\n- **研发迭代效率低**：由于缺乏自动化评估流水线，每次模型微调后，研究人员需手动编写脚本验证代码正确性，耗时数天才能得出一个准确的准确率指标，严重拖慢研发节奏。\n- **学术对标困难**：在撰写技术报告或论文时，因未使用行业公认的基准，研究成果难以与业界顶尖水平（如 GPT 系列或其他开源模型）进行直接、可信的效果对标。\n\n### 使用 apps 后\n- **标准化基准确立**：直接引入 apps 数据集，利用其包含的 10,000 多个涵盖入门到竞赛级别的题目，建立了统一的评估体系，确保每次实验结果具备高度可比性。\n- **鲁棒性显著增强**：借助 apps 中每个问题平均配备的多个隐藏测试用例，全面检验代码的逻辑严密性，有效识别并消除了模型在边缘情况下的失效问题，提升了代码生成的可靠性。\n- **自动化评估闭环**：利用仓库提供的评估代码，实现了从代码生成到单元测试验证的全自动化流程，将单次评估周期从数天缩短至数小时，极大加速了模型超参数调优和迭代过程。\n- **行业认可度提升**：基于 NeurIPS 发表的权威基准进行测试，使得团队的技术成果能够直接与全球最新研究进行量化对比，增强了技术方案在学术界和工业界的说服力与影响力。\n\napps 通过提供大规模、高难度的标准化编程评测基准，帮助研发团队实现了从“主观定性判断”到“客观定量评估”的转变，大幅提升了代码生成模型的研發效率与质量上限。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_apps_2c0e8765.png","hendrycks","Dan Hendrycks","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhendrycks_1c86a196.jpg","PhD student at UC Berkeley.",null,"Berkeley, California","hendrycks@berkeley.edu","danhendrycks.com","https:\u002F\u002Fgithub.com\u002Fhendrycks",[86,90],{"name":87,"color":88,"percentage":89},"Python","#3572A5",98.5,{"name":91,"color":92,"percentage":93},"Shell","#89e051",1.5,523,70,"2026-04-02T10:27:17","MIT","未说明",{"notes":100,"python":98,"dependencies":101},"README 中未提供具体的环境配置、依赖列表或硬件需求。仅提及数据集大小约为 1.3GB，并提供了微调后的 GPT-2 1.5B 和 GPT-Neo 2.7B 模型权重下载链接。详细的训练和评估指令分别位于 train\u002FREADME.md 和 eval\u002FREADME.md 文件中，需查阅这些子文件以获取具体运行要求。",[],[15],[104,105],"code-generation","program-synthesis","2026-03-27T02:49:30.150509","2026-04-06T06:44:19.700863",[109,114,119,124,129,134],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},11381,"如何评估 ChatGPT (如 GPT-3.5) 在此数据集上的编程能力？","该数据集可以用于评估对话式模型。你可以向 GPT 提供提示（prompt）并让其返回代码，然后使用数据集中的 `input_output` 字段进行评估。该字段编码了程序的输入和预期输出。评估指标主要包括：\n1. **测试用例平均准确率 (Test Case Average)**：计算代码在每个问题中正确通过的测试用例数量，然后对所有问题取平均值。\n2. **严格准确率 (Strict Accuracy)**：只有当生成的代码通过了某个问题的所有测试用例时，才视为该问题解答正确。统计完全正确的问题数量占总问题数的比例。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fapps\u002Fissues\u002F28",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},11382,"在 Hugging Face Hub 上加载数据集时，为什么 solutions 或 input_output 列显示为字符串而非列表？","这不是数据集的错误。为了在 Hugging Face Hub 上加载并符合格式约束，solutions 和 input_output 列被保存为 JSON 格式的字符串。你需要按照数据集 README 中的说明正确加载这些列。通常需要使用 `json.loads()` 将这些字符串解析回列表对象。请参考官方文档中的加载示例代码。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fapps\u002Fissues\u002F15",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},11383,"一次性评估多个解决方案时出现内存泄漏怎么办？","批量评估所有生成结果时可能会因为超时机制失效导致内存泄漏。建议的解决方案包括：\n1. **逐个评估**：每次只对一个解决方案运行评估代码，虽然速度较慢但更稳定。\n2. **添加全局超时**：如果必须批量处理，可以使用 `multiprocessing` 模块并为所有测试添加一个全局超时限制，以防止进程挂起占用内存。例如使用 `multiprocessing.Process` 并在主进程中控制超时终止。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fapps\u002Fissues\u002F13",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},11384,"当代码出现编译错误或运行时错误时，准确率分数是如何计算的？","在评估脚本中，编译错误通常标记为 `-2`，运行时错误标记为 `-1`。需要注意的是，直接使用 `np.all()` 判断结果时，非零数值（包括 -1 和 -2）会被视为 `True`，这可能导致错误的准确率计算。正确的做法是在计算准确率前，将这些错误代码明确视为 `False` 或未通过。维护者已更新相关文档和示例代码以反映正确的处理方式，建议参考最新的 `eval\u002Ftest_one_solution.py` 实现。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fapps\u002Fissues\u002F11",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},11385,"评估模型生成的代码时，如果结果为空数组导致平均分出现 NaN 该如何处理？","如果某些问题的评估结果 `results[index]` 是空数组，计算均值时会得到 NaN。最简单的后处理方法是检查你的结果列表，将任何空列表 `[[]]` 或类似结构替换为表示编译错误的标记，例如 `[[-2]]`。这样可以确保后续的平均值计算不会出错，并将其视为未通过。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fapps\u002Fissues\u002F14",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},11386,"找不到训练所需的 apps-train-files JSON 文件怎么办？","该文件可能未直接包含在初始发布的数据集中，但可以通过提供的脚本生成。请查看 `train\u002FREADME.md` 中的说明，并使用 `train\u002Fapps_create_split.py` 脚本来创建所需的分割文件。此外，也可以参考 `APPSBaseDataset.py` 文件来理解数据结构并自行推断所需格式。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fapps\u002Fissues\u002F4",[]]