[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-poetiq-ai--poetiq-arc-agi-solver":3,"tool-poetiq-ai--poetiq-arc-agi-solver":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"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,"2026-04-04T04:44:48",[15,14,13,26,54],{"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":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":23,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":97,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":98,"updated_at":99,"faqs":100,"releases":116},924,"poetiq-ai\u002Fpoetiq-arc-agi-solver","poetiq-arc-agi-solver","This repository allows reproduction of Poetiq's record-breaking submission to the ARC-AGI-1 and ARC-AGI-2 benchmarks.","poetiq-arc-agi-solver 是 Poetiq 团队开源的代码仓库，用于复现他们在 ARC-AGI-1 和 ARC-AGI-2 基准测试上创造纪录的解题方案。ARC-AGI 是人工智能领域衡量抽象推理能力的权威测试，要求模型像人类一样理解视觉模式并解决新颖的推理问题。\n\n这个仓库主要面向 AI 研究人员和开发者，特别是关注大语言模型推理能力、程序合成和抽象问题解决的技术人员。通过它，你可以复现 Poetiq 在公开榜单上的领先成绩，深入理解其方法细节，或在此基础上开展进一步研究。\n\n技术亮点在于 Poetiq 采用了一种高效的推理策略，在 ARC-AGI-2 上不仅刷新了最优成绩，还将成本降低了一半。方案结合了多模型调用（支持 Gemini、OpenAI 等）和精心设计的配置系统，用户可通过修改 `config.py` 和 `main.py` 灵活调整实验参数。\n\n使用需要 Python 3.11+ 环境，并配置相应 API 密钥。仓库提供了完整的快速开始指南，默认运行博客中介绍的 Poetiq 3 配置，也支持自定义其他实验设置。","# [Poetiq](https:\u002F\u002Fpoetiq.ai): SOTA Reasoning on ARC-AGI\n\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n[![Python 3.11+](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.11+-blue.svg)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n[![ARC-AGI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FTask-ARC--AGI-red)](https:\u002F\u002Farcprize.org\u002F)\n\nThis repository allows reproduction of **Poetiq's** record-breaking submission to the ARC-AGI-1 and ARC-AGI-2 benchmarks.\n\nFull analysis is available in our launch post, **[Traversing the Frontier of Superintelligence](https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_announcement\u002F)**.\n\nOur method is now on top of the official leaderboard. More information is in our follow-up post, **[Poetiq Shatters ARC-AGI-2 State of the Art at Half the Cost](https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_verified\u002F)**.\n\n---\n\n## 📊 Public Eval Results\nYou can recreate the Gemini 3 points from these charts using this repo.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpoetiq-ai_poetiq-arc-agi-solver_readme_2d7b0c7dcce5.png\" width=\"45%\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpoetiq-ai_poetiq-arc-agi-solver_readme_73bb786a7987.png\" width=\"45%\" \u002F>\n\u003C\u002Fp>\n\n## 📊 Official Private Eval Results\nThese are our results on the official leaderboard from ARC Prize, but those problems are kept private.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpoetiq-ai_poetiq-arc-agi-solver_readme_e6a78ffb7b48.png\" width=\"755%\" \u002F>\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpoetiq-ai_poetiq-arc-agi-solver_readme_92be449d475a.png\" width=\"60%\" \u002F>\n\u003C\u002Fp>\n\n## 🛠️ Usage\n\n### Prerequisites\n- Python 3.11+\n- API Keys for the models you wish to test (Gemini, OpenAI, etc.)\n\n### Quick Start\n\n1. Setup the environment:\n   ```bash\n   python -m venv .venv\n   source .venv\u002Fbin\u002Factivate\n   pip install -r requirements.txt\n   ```\n\n2. Create a .env file in the root directory. You must include keys for the models you intend to run.\n\n    ```bash\n    GEMINI_API_KEY=...\n    OPENAI_API_KEY=...\n    ```\n\n3. Modify the constants in main.py to set the problem set, number of problems, etc. Then run the script:\n\n    ```bash\n    python main.py\n    ```\n\n4. By default, the code runs the Poetiq 3 config described in the blog post. You can uncomment other ones or modify the config in config.py\n\n## 📄 Contact\nIf you use this code or these results in your research, please cite our blog post:\n\nPoetiq Team. (2025). *Traversing the Frontier of Superintelligence*. Poetiq AI. [https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_announcement\u002F](https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_announcement\u002F)\n\nFor questions or to discuss the future of reasoning, reach out to us at poetiq@poetiq.ai.\n\n[![X (formerly Twitter)](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FX-000000?style=for-the-badge&logo=x&logoColor=white)](https:\u002F\u002Fx.com\u002Fpoetiq_ai)\n[![LinkedIn](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLinkedIn-0077B5?style=for-the-badge&logo=linkedin&logoColor=white)](https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fpoetiq\u002F)\n[![Bluesky](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FBluesky-0285FF?style=for-the-badge&logo=Bluesky&logoColor=white)](https:\u002F\u002Fbsky.app\u002Fprofile\u002Fpoetiq-ai.bsky.social)\n","# [Poetiq](https:\u002F\u002Fpoetiq.ai)：ARC-AGI 上的 SOTA（State of the Art，最先进技术）推理\n\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n[![Python 3.11+](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.11+-blue.svg)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n[![ARC-AGI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FTask-ARC--AGI-red)](https:\u002F\u002Farcprize.org\u002F)\n\n本仓库支持复现 **Poetiq** 在 ARC-AGI-1 和 ARC-AGI-2 基准测试上的破纪录提交。\n\n完整分析请参阅我们的发布文章 **[《穿越超级智能的前沿》](https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_announcement\u002F)**。\n\n我们的方法现已登上官方排行榜榜首。更多信息请参阅我们的后续文章 **[《Poetiq 以一半成本打破 ARC-AGI-2 最先进技术记录》](https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_verified\u002F)**。\n\n---\n\n## 📊 公开评估结果\n您可以使用本仓库复现这些图表中的 Gemini 3 分数据。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpoetiq-ai_poetiq-arc-agi-solver_readme_2d7b0c7dcce5.png\" width=\"45%\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpoetiq-ai_poetiq-arc-agi-solver_readme_73bb786a7987.png\" width=\"45%\" \u002F>\n\u003C\u002Fp>\n\n## 📊 官方私有评估结果\n以下是我们在 ARC Prize 官方排行榜上的结果，但这些题目不对外公开。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpoetiq-ai_poetiq-arc-agi-solver_readme_e6a78ffb7b48.png\" width=\"755%\" \u002F>\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpoetiq-ai_poetiq-arc-agi-solver_readme_92be449d475a.png\" width=\"60%\" \u002F>\n\u003C\u002Fp>\n\n## 🛠️ 使用方法\n\n### 前置要求\n- Python 3.11+\n- 您希望测试的模型的 API 密钥（Gemini、OpenAI 等）\n\n### 快速开始\n\n1. 设置环境：\n   ```bash\n   python -m venv .venv\n   source .venv\u002Fbin\u002Factivate\n   pip install -r requirements.txt\n   ```\n\n2. 在根目录创建 .env 文件。您必须包含计划运行的模型的密钥。\n\n    ```bash\n    GEMINI_API_KEY=...\n    OPENAI_API_KEY=...\n    ```\n\n3. 修改 main.py 中的常量以设置题目集、题目数量等。然后运行脚本：\n\n    ```bash\n    python main.py\n    ```\n\n4. 默认情况下，代码运行博客文章中描述的 Poetiq 3 配置。您可以取消注释其他配置或在 config.py 中修改配置。\n\n## 📄 联系方式\n如果您在研究中使用此代码或这些结果，请引用我们的博客文章：\n\nPoetiq Team. (2025). *Traversing the Frontier of Superintelligence*. Poetiq AI. [https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_announcement\u002F](https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_announcement\u002F)\n\n如有问题或想讨论推理的未来，请通过 poetiq@poetiq.ai 联系我们。\n\n[![X (formerly Twitter)](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FX-000000?style=for-the-badge&logo=x&logoColor=white)](https:\u002F\u002Fx.com\u002Fpoetiq_ai)\n[![LinkedIn](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLinkedIn-0077B5?style=for-the-badge&logo=linkedin&logoColor=white)](https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fpoetiq\u002F)\n[![Bluesky](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FBluesky-0285FF?style=for-the-badge&logo=Bluesky&logoColor=white)](https:\u002F\u002Fbsky.app\u002Fprofile\u002Fpoetiq-ai.bsky.social)","# poetiq-arc-agi-solver 快速上手指南\n\n## 环境准备\n\n| 项目 | 要求 |\n|:---|:---|\n| Python | 3.11 或更高版本 |\n| API 密钥 | Gemini、OpenAI 等模型平台的 API Key |\n\n## 安装步骤\n\n### 1. 克隆仓库并创建虚拟环境\n\n```bash\npython -m venv .venv\nsource .venv\u002Fbin\u002Factivate  # Linux\u002FMac\n# 或 .venv\\Scripts\\activate  # Windows\n```\n\n### 2. 安装依赖\n\n```bash\npip install -r requirements.txt\n```\n\n> 国内用户可使用清华镜像加速：`pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 3. 配置 API 密钥\n\n在项目根目录创建 `.env` 文件：\n\n```bash\nGEMINI_API_KEY=你的Gemini密钥\nOPENAI_API_KEY=你的OpenAI密钥\n```\n\n## 基本使用\n\n### 运行默认配置\n\n```bash\npython main.py\n```\n\n默认执行 **Poetiq 3** 配置（博客中描述的版本）。\n\n### 自定义配置\n\n编辑 `main.py` 修改以下常量：\n- 问题集（problem set）\n- 问题数量\n- 其他运行参数\n\n或修改 `config.py` 中的配置，也可取消注释 `main.py` 中的其他预设配置。\n\n---\n\n**相关资源**\n- 技术博客：[Traversing the Frontier of Superintelligence](https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_announcement\u002F)\n- 后续更新：[Poetiq Shatters ARC-AGI-2 State of the Art](https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_verified\u002F)","某 AI 教育科技公司的算法团队正在开发一款面向中小学生的自适应学习系统，核心功能是根据学生的解题过程实时生成个性化的引导提示，而非直接给出答案。这要求系统具备类似人类的抽象推理能力，能够理解题目背后的逻辑模式并灵活变形。\n\n### 没有 poetiq-arc-agi-solver 时\n\n- 团队尝试用传统大模型处理几何变换、数列规律等题型，但模型经常\"死记硬背\"训练数据中的相似题目，遇到稍变形的考法就失效，学生抱怨\"提示总是对不上我的思路\"\n- 为提升推理能力，工程师手动设计了上百条思维链提示模板，维护成本极高，每新增一个学科模块需要 2-3 周调试，产品迭代严重滞后\n- 在内部测试中，系统面对 ARC-AGI 风格的抽象推理题准确率不足 15%，投资方质疑技术壁垒，融资进程受阻\n- 团队被迫雇佣 5 名数学奥赛背景的专家全职编写解题逻辑，人力成本每月超 30 万元，且难以规模化\n\n### 使用 poetiq-arc-agi-solver 后\n\n- 基于 poetiq-arc-agi-solver 的 SOTA 推理框架，系统学会从少量示例中自主发现底层规则，面对变形题目时准确率提升至 55% 以上，学生反馈\"提示终于说到点子上了\"\n- 配置化的问题求解流程替代了手工模板，新学科模块上线周期从数周缩短至 3-5 天，产品团队得以快速验证市场假设\n- 团队在 ARC-AGI-2 私有评测中复现了官方领先成绩，技术可信度获得背书，成功完成新一轮融资\n- 专家角色从\"写规则\"转向\"审校质量\"，人力投入减少 60%，同时覆盖的题型广度反而扩大 3 倍\n\npoetiq-arc-agi-solver 将顶级抽象推理能力从论文成果转化为可落地的工程方案，让中小团队也能构建具备人类般灵活思维的教育 AI 产品。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpoetiq-ai_poetiq-arc-agi-solver_2d7b0c7d.png","poetiq-ai","poetiq","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpoetiq-ai_e96f41bc.png","",null,"https:\u002F\u002Fpoetiq.ai","https:\u002F\u002Fgithub.com\u002Fpoetiq-ai",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,1258,212,"2026-04-05T13:55:58","MIT","Linux, macOS, Windows","未说明",{"notes":94,"python":95,"dependencies":96},"需要配置外部大模型API密钥（Gemini、OpenAI等）才能运行；通过requirements.txt安装依赖；支持自定义配置以运行不同实验设置","3.11+",[],[26,15,54],"2026-03-27T02:49:30.150509","2026-04-06T08:48:08.177337",[101,106,111],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},4043,"如何追踪输入\u002F输出 token 的成本？","本项目通过 LiteLLM 的 OpenRouter 支持来实现成本追踪。LiteLLM 默认支持 OpenRouter，可以自动处理 token 成本的统计。如果需要更定制化的成本追踪，可以考虑自行集成 OpenRouter API 来获取详细的用量和费用数据。用户已在个人 fork 中添加了 OpenRouter 支持，如有需要可以提交 PR。","https:\u002F\u002Fgithub.com\u002Fpoetiq-ai\u002Fpoetiq-arc-agi-solver\u002Fissues\u002F9",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},4044,"如何验证 ARC-AGI 分数并提交到官方排行榜？","要将分数验证并显示在 ARC-AGI 官方排行榜上，需要：1) 在 ARC Prize 官方平台提交结果进行验证，而非仅在公共评估集上测试；2) 注意区分公共评估集（public eval）和半私有评估集（semi-private eval）的分数，两者不可直接比较；3) 验证后的结果会显示在官方排行榜上，如 PoetIQ 团队的验证结果：https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_verified\u002F。验证后的分数通常会比公共评估集分数低，因为半私有评估集难度更高。","https:\u002F\u002Fgithub.com\u002Fpoetiq-ai\u002Fpoetiq-arc-agi-solver\u002Fissues\u002F8",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},4045,"公共评估集和半私有评估集的分数有什么区别？为什么不能直接比较？","公共评估集（public eval）和半私有评估集（semi-private eval）是两个不同的测试集，不能直接比较分数：1) 半私有评估集难度更高，不仅因为题目未在训练中出现，实际题目本身也更难；2) ARC Prize 官方提供完整的公共评估集结果数据：https:\u002F\u002Farcprize.org\u002Fmedia\u002Fdata\u002Fleaderboard\u002Fevaluations.json 和 https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Farcprize\u002Farc_agi_v1_public_eval；3) 官方排行榜显示的是半私有评估集分数，而许多研究论文报告的是公共评估集分数；4) 详细对比可参考：https:\u002F\u002Fpoetiq.ai\u002Fposts\u002Farcagi_announcement\u002F#appendix。建议始终注明分数是在哪个评估集上获得的。","https:\u002F\u002Fgithub.com\u002Fpoetiq-ai\u002Fpoetiq-arc-agi-solver\u002Fissues\u002F7",[117],{"id":118,"version":119,"summary_zh":79,"released_at":79},113158,"submission"]