GitHub 上值得关注的 AI 项目和 Skills

每天追踪 GitHub 上的 AI 开源项目和可直接安装的 Agent Skill,按类别、增长和更新时间整理,每周一出一期精选。

Skill install terminal example: run npx skills add vercel-labs/agent-skills, select Codex and install globally.

请求收录

GitHub 项目

按推荐顺序展示的GitHub 项目。 共 95 个。

bespokelabsai GitHub avatar

bespokelabsai/curatorcurator

Python

合成数据整理工具 · bespokelabsai

合成数据整理工具

★ 1.8K+3 本周数据与评测11月2日更新

用于生成和筛选大模型后训练合成数据,也支持结构化信息提取,适合构建训练数据集的研究者与开发团队,并可融入 Python 数据处理流程。

数据与评测
1.8K+32024年10月28日
vectara GitHub avatar

vectara/hallucination-leaderboardhallucination-leaderboard

Python

大模型幻觉排行榜 · vectara

大模型幻觉排行榜

★ 3.3K+3 本周数据与评测11月18日更新

持续评测各家大模型在短文档摘要任务中产生幻觉的比例并公开排名,适合选型时参考模型可靠性,也方便研究者对比不同模型的事实性表现。

数据与评测
3.3K+32023年11月1日
InternScience GitHub avatar

InternScience/GraphGenGraphGen

Python

知识图谱合成数据生成 · InternScience

知识图谱合成数据生成

★ 1.2K+3 本周数据与评测11月8日更新

利用知识图谱驱动合成高质量问答与训练数据,提升大模型监督微调效果,适合需要自建 SFT 数据集的团队。

数据与评测
1.2K+32025年1月8日
cvs-health GitHub avatar

cvs-health/uqlmuqlm

Python

大模型幻觉检测工具 · cvs-health

大模型幻觉检测工具

★ 1.2K数据与评测11月9日更新

基于不确定性量化的 Python 包,用于检测和评估大模型幻觉,提供多种打分方法,适合做 LLM 评测与安全研究的团队。

数据与评测
1.2K项目2025年4月18日
Vchitect GitHub avatar

Vchitect/VBenchVBench

Python

视频生成评测基准 · Vchitect

视频生成评测基准

★ 1.8K+3 本周数据与评测8月21日更新

用于评估视频生成模型的基准项目,提供评测方案与数据集,适合研究者比较不同模型在生成质量等方面的表现。

数据与评测
1.8K+32023年11月27日
ServiceNow GitHub avatar

ServiceNow/BrowserGymBrowserGym

Python

网页任务自动化 Gym 环境 · ServiceNow

网页任务自动化 Gym 环境

★ 1.4K+4 本周数据与评测11月17日更新

为网页任务自动化提供 Gym 风格评测环境,方便训练和评估 LLM 网页 Agent,适合做 Web Agent 研究的团队。

数据与评测
1.4K+42024年2月7日
microsoft GitHub avatar

microsoft/TimeCraftTimeCraft

Python

时间序列生成框架 · microsoft

时间序列生成框架

★ 1.1K+1 本周数据与评测10月28日更新

微软开源的时间序列生成框架,面向真实场景合成时序数据,适合需要数据增强或隐私数据替代的机器学习研究者。

数据与评测
1.1K+12025年1月6日
hitsz-ids GitHub avatar

hitsz-ids/synthetic-data-generatorsynthetic-data-generator

Python

结构化合成数据生成框架 · hitsz-ids

结构化合成数据生成框架

★ 2.4K+1 本周数据与评测11月17日更新

专注生成高质量表格型合成数据的框架,结合 GAN 与大模型,兼顾隐私保护,适合需要扩充训练数据的机器学习团队。

数据与评测
2.4K+12023年8月10日
monarch-initiative GitHub avatar

monarch-initiative/ontogptontogpt

Jupyter Notebook

本体抽取工具 · monarch-initiative

本体抽取工具

★ 1.1K+8 本周数据与评测9月11日更新

基于大模型的本体与关系抽取工具集,包含 SPIRES,可从文献中抽取结构化知识,适合生物医学知识图谱与数据建模研究者使用。

数据与评测
1.1K+82023年1月4日
JudgmentLabs GitHub avatar

JudgmentLabs/judgevaljudgeval

Python

Agent 持续评测平台 · JudgmentLabs

Agent 持续评测平台

★ 1.1K+1 本周数据与评测11月18日更新

面向 Agent 的持续改进栈,用环境数据和评测驱动 Agent 优化与线上监控,适合需要追踪 Agent 效果的工程团队。

数据与评测
1.1K+12024年10月25日
asreview GitHub avatar

asreview/asreviewasreview

Python

系统综述主动学习工具 · asreview

系统综述主动学习工具

★ 1.1K+7 本周数据与评测11月17日更新

用主动学习和语言模型辅助系统性文献综述筛选,帮助研究者更快完成文献筛查,适合学术与循证研究场景。

数据与评测
1.1K+72019年1月9日
THU-BPM GitHub avatar

THU-BPM/MarkLLMMarkLLM

Python

大模型水印工具包 · THU-BPM

大模型水印工具包

★ 1.1K数据与评测9月5日更新

开源的大模型文本水印工具包,提供多种水印算法与统一评测接口,适合研究可信 AI 与内容溯源的研究者和开发者。

数据与评测
1.1K项目2024年5月16日
allenai GitHub avatar

allenai/dolmadolma

Python

大模型预训练数据工具 · allenai

大模型预训练数据工具

★ 1.6K+2 本周数据与评测8月25日更新

提供用于生成和检查 OLMo 预训练数据的数据与工具,帮助研究人员及模型开发团队处理、审视大规模语言模型训练语料。

数据与评测
1.6K+22023年6月21日
AI4Finance-Foundation GitHub avatar

AI4Finance-Foundation/FinRL-MetaFinRL-Meta

Python

金融强化学习数据集 · AI4Finance-Foundation

金融强化学习数据集

★ 2.0K+3 本周数据与评测10月13日更新

为 FinRL 提供动态金融数据集与市场交易环境,支持深度强化学习交易智能体研究,适合量化金融与强化学习研究者。

数据与评测
2.0K+32021年2月16日
sdv-dev GitHub avatar

sdv-dev/SDVSDV

Python

表格合成数据工具 · sdv-dev

表格合成数据工具

★ 3.6K+1 本周数据与评测11月16日更新

面向机器学习与数据工程场景生成表格合成数据,支持关系型、多表和时间序列数据,适合隐私保护、模型训练与测试数据构造。

数据与评测
3.6K+12018年5月11日
NVIDIA GitHub avatar

NVIDIA/raftraft

Cuda

RAFT 加速算法库 · NVIDIA

RAFT 加速算法库

★ 1.1K+2 本周数据与评测11月18日更新

NVIDIA 提供的 CUDA 加速机器学习与信息检索基础算法库,涵盖近邻搜索、聚类与线性代数,适合构建高性能检索与 LLM 应用的开发者。

数据与评测
1.1K+22019年6月13日
ConardLi GitHub avatar

ConardLi/easy-dataseteasy-dataset

JavaScript

大模型数据集制作工具 · ConardLi

大模型数据集制作工具

★ 15K+17 本周数据与评测5月1日更新

用于构建大模型微调、RAG 和评测所需数据集的工具,适合需要准备或整理训练与评估数据的开发者,帮助集中完成数据集制作流程。

数据与评测
15K+172025年3月5日
zalandoresearch GitHub avatar

zalandoresearch/fashion-mnistfashion-mnist

Python

Fashion-MNIST 数据集 · zalandoresearch

Fashion-MNIST 数据集

★ 13K+8 本周数据与评测2022年6月更新

Zalando 发布的服饰图像数据集,格式与 MNIST 一致,常用于图像分类与生成模型的基准测试,适合机器学习入门与算法对比实验。

数据与评测
13K+82017年8月25日
alex000kim GitHub avatar

alex000kim/nsfw_data_scrapernsfw_data_scraper

Shell

NSFW 图像数据采集脚本 · alex000kim

NSFW 图像数据采集脚本

★ 13K+9 本周数据与评测2024年1月更新

一组用于批量抓取和整理 NSFW 图像数据的脚本,方便训练内容审核分类器。适合做内容安全与图像分类的研究者,按类别组织数据。

数据与评测
13K+92019年1月11日
mlabonne GitHub avatar

mlabonne/llm-datasetsllm-datasets

LLM 后训练数据集清单 · mlabonne

LLM 后训练数据集清单

★ 4.8K+6 本周数据与评测4月30日更新

整理后训练阶段常用数据集与配套工具的精选清单,涵盖指令微调、偏好对齐等方向,适合想找训练数据的模型开发者参考。

数据与评测
4.8K+62024年4月28日
Instruction-Tuning-with-GPT-4 GitHub avatar

Instruction-Tuning-with-GPT-4/GPT-4-LLMGPT-4-LLM

HTML

GPT-4 指令微调数据集 · Instruction-Tuning-with-GPT-4

GPT-4 指令微调数据集

★ 4.3K数据与评测2023年6月更新

用 GPT-4 生成指令跟随数据来微调 LLaMA 的开源项目,提供英文与中文指令数据及训练评测脚本,适合研究指令微调与对齐的开发者。

数据与评测
4.3K项目2023年4月6日
verazuo GitHub avatar

verazuo/jailbreak_llmsjailbreak_llms

Jupyter Notebook

越狱提示词数据集 · verazuo

越狱提示词数据集

★ 3.9K+11 本周数据与评测2024年12月更新

CCS'24 论文配套数据集,收录来自 Reddit、Discord 和开源数据的 15140 条 ChatGPT 提示词,其中含 1405 条越狱提示,适合研究 LLM 安全与越狱防御的学者使用。

数据与评测
3.9K+112023年8月2日
THUDM GitHub avatar

THUDM/AgentBenchAgentBench

Python

大模型智能体基准 · THUDM

大模型智能体基准

★ 3.8K+8 本周数据与评测2月9日更新

用于系统评估大语言模型作为智能体的综合基准,覆盖多种交互任务与环境,适合研究人员比较模型的规划、决策和工具使用能力。

数据与评测
3.8K+82023年7月28日
Zjh-819 GitHub avatar

Zjh-819/LLMDataHubLLMDataHub

指令微调数据集导航 · Zjh-819

指令微调数据集导航

★ 3.4K数据与评测2023年11月更新

汇总热门的指令微调数据集,方便研究者和开发者快速查找、挑选适合训练聊天模型的数据资源。

数据与评测
3.4K项目2023年4月10日
CLUEbenchmark GitHub avatar

CLUEbenchmark/SuperCLUESuperCLUE

中文大模型基准 · CLUEbenchmark

中文大模型基准

★ 3.3K+1 本周数据与评测2月6日更新

面向中文基础模型的综合性评测基准,覆盖多维度能力测试,适合研究者与开发者对比各家中文大模型表现。

数据与评测
3.3K+12023年5月2日
thunlp GitHub avatar

thunlp/UltraChatUltraChat

Python

多轮对话数据集 · thunlp

多轮对话数据集

★ 2.9K+6 本周数据与评测2024年3月更新

提供规模庞大、信息丰富且类型多样的多轮聊天数据及相关模型,适合大语言模型研究者用于对话训练与实验;项目聚焦于构建和使用聊天数据资源。

数据与评测
2.9K+62023年4月3日
Y-Research-SBU GitHub avatar

Y-Research-SBU/QuantHarnessQuantHarness

HTML

量化研究评测框架 · Y-Research-SBU

量化研究评测框架

★ 2.9K+4 本周数据与评测8月18日更新

面向量化研究场景的 Agentic AI 项目,仓库说明仅标注为 QuantHarness 官方代码,具体功能与使用方式信息有限;适合关注大语言模型在量化研究中应用的研究者进一步查阅。

数据与评测
2.9K+42025年7月10日
uptrain-ai GitHub avatar

uptrain-ai/uptrainuptrain

Python

生成式AI评测平台 · uptrain-ai

生成式AI评测平台

★ 2.4K数据与评测2024年8月更新

用于评估和改进生成式 AI 应用的开源平台,提供 20 多项语言、代码和嵌入相关检查,并分析失败原因、给出改进线索,适合构建和维护 LLM 应用的团队。

数据与评测
2.4K项目2022年11月7日
beir-cellar GitHub avatar

beir-cellar/beirbeir

Python

信息检索评测基准 · beir-cellar

信息检索评测基准

★ 2.3K+1 本周数据与评测2025年10月更新

提供覆盖多种检索任务与数据集的异构信息检索基准,便于研究者和开发者使用统一流程评估、比较信息检索模型的效果。

数据与评测
2.3K+12021年1月18日
refuel-ai GitHub avatar

refuel-ai/autolabelautolabel

Python

大模型文本标注工具 · refuel-ai

大模型文本标注工具

★ 2.3K数据与评测2025年3月更新

使用大语言模型为文本数据集执行标注、清洗和信息丰富,适合需要构建或整理机器学习训练数据的团队,并支持接入多种模型与数据处理流程。

数据与评测
2.3K项目2023年3月23日
tatsu-lab GitHub avatar

tatsu-lab/alpaca_evalalpaca_eval

Jupyter Notebook

指令模型评测工具 · tatsu-lab

指令模型评测工具

★ 2.0K+2 本周数据与评测2025年8月更新

用于自动评估语言模型遵循指令的表现,强调评估结果经过人工验证,并兼顾质量、成本与速度,适合研究者比较模型并构建评测榜单。

数据与评测
2.0K+22023年5月25日
evalplus GitHub avatar

evalplus/evalplusevalplus

Python

代码生成评测基准 · evalplus

代码生成评测基准

★ 1.8K+1 本周数据与评测2025年10月更新

用于严谨评估大语言模型生成代码的基准与工具,面向研究人员和模型开发者,可衡量程序合成能力并检验代码正确性。

数据与评测
1.8K+12023年4月15日
meta-llama GitHub avatar

meta-llama/synthetic-data-kitsynthetic-data-kit

Python

合成数据生成工具 · meta-llama

合成数据生成工具

★ 1.7K+4 本周数据与评测2025年10月更新

Meta 开源的合成数据集生成工具,用大模型批量产出高质量训练与评测数据,适合需要构造领域数据做微调或评测的开发者。

数据与评测
1.7K+42025年3月27日
cyberark GitHub avatar

cyberark/FuzzyAIFuzzyAI

Jupyter Notebook

LLM 越狱模糊测试 · cyberark

LLM 越狱模糊测试

★ 1.6K+5 本周数据与评测2月7日更新

自动化对大模型 API 做模糊测试的安全工具,帮助开发者和红队研究者发现并缓解越狱风险,内置评测流程与用例生成。

数据与评测
1.6K+52024年12月3日
Farama-Foundation GitHub avatar

Farama-Foundation/ChatArenaChatArena

Python

多智能体语言博弈环境 · Farama-Foundation

多智能体语言博弈环境

★ 1.6K+1 本周数据与评测2025年8月更新

为大语言模型提供多智能体语言游戏与仿真环境,用于研究和训练 AI 的沟通、协作能力。适合多智能体研究者评估交互策略与协作表现。

数据与评测
1.6K+12023年3月7日
Hello-SimpleAI GitHub avatar

Hello-SimpleAI/chatgpt-comparison-detectionchatgpt-comparison-detection

Python

人机文本检测数据集 · Hello-SimpleAI

人机文本检测数据集

★ 1.5K+3 本周数据与评测2023年12月更新

提供人类与 ChatGPT 对比语料 HC3 及配套检测器,适合研究 LLM 生成文本识别与文本分类的开发者、研究者使用。

数据与评测
1.5K+32023年1月7日
OpenGenerativeAI GitHub avatar

OpenGenerativeAI/llm-colosseumllm-colosseum

Jupyter Notebook

街霸对战模型评测 · OpenGenerativeAI

街霸对战模型评测

★ 1.5K+3 本周数据与评测2025年3月更新

让大模型在《街霸 3》中对战来评测其能力的新颖基准,通过游戏表现衡量模型决策水平,适合关注 LLM 评测方法与趣味基准的研究者。

数据与评测
1.5K+32024年3月23日
LilMGenius GitHub avatar

LilMGenius/paperthinpaperthin

JavaScript

LilMGenius

The skillbook for recursive self-improvement (RSI). NVIDIA's latest proof, unpacked with timeless engineering. Distilled from the OpenAI harness engineering hackathon winner's zero-touch method.

★ 1.5K数据与评测11月15日更新

The skillbook for recursive self-improvement (RSI). NVIDIA's latest proof, unpacked with timeless engineering. Distilled from the OpenAI harness engineering hackathon winner's zero-touch method.

数据与评测
1.5K项目2026年6月19日
poloclub GitHub avatar

poloclub/diffusiondbdiffusiondb

Python

文生图提示词数据集 · poloclub

文生图提示词数据集

★ 1.4K数据与评测2024年7月更新

基于 Stable Diffusion 构建的大规模文生图提示词画廊数据集,适合图像生成研究者、模型开发者和提示词创作者,用于浏览与研究文本提示和生成图像的关联。

数据与评测
1.4K项目2022年10月11日
pinchbench GitHub avatar

pinchbench/skillskill

Python

编程智能体评测工具 · pinchbench

编程智能体评测工具

★ 1.4K+5 本周附带 1 个 Skill数据与评测7月2日更新

适合资料研究、事实整理和结构化报告写作,可将结果保存为 JSON,便于后续查询与汇总。

数据与评测
1.4K+52026年2月11日
OpenDriveLab GitHub avatar

OpenDriveLab/DriveLMDriveLM

HTML

DriveLM 自动驾驶问答 · OpenDriveLab

DriveLM 自动驾驶问答

★ 1.4K+1 本周数据与评测2025年7月更新

ECCV 2024 Oral 论文配套项目,用图视觉问答和思维链方法让大模型理解并推理自动驾驶场景,适合自动驾驶与多模态研究者。

数据与评测
1.4K+12023年8月8日
TIGER-AI-Lab GitHub avatar

TIGER-AI-Lab/OpenResearcherOpenResearcher

Python

深度研究轨迹合成 · TIGER-AI-Lab

深度研究轨迹合成

★ 1.3K+1 本周数据与评测6月11日更新

一套完全开放的长程深度研究轨迹合成流水线,用于生成检索增强的研究数据,适合训练和评测研究型 Agent 的团队。

数据与评测
1.3K+12026年2月3日
THUDM GitHub avatar

THUDM/LongBenchLongBench

Python

长文本评测基准 · THUDM

长文本评测基准

★ 1.3K+1 本周数据与评测2025年1月更新

清华团队维护的长上下文评测基准 LongBench 与 LongBench v2,提供多任务数据集与评测脚本,适合评估大模型长文本理解能力。

数据与评测
1.3K+12023年7月29日
thu-coai GitHub avatar

thu-coai/Safety-PromptsSafety-Prompts

中文大模型安全提示词 · thu-coai

中文大模型安全提示词

★ 1.2K数据与评测2024年2月更新

提供中文安全提示词与攻击防御样本,用于评估和提升大模型安全性,适合安全研究与红队评测人员使用。

数据与评测
1.2K项目2023年4月18日
prometheus-eval GitHub avatar

prometheus-eval/prometheus-evalprometheus-eval

Python

大模型评测工具 · prometheus-eval

大模型评测工具

★ 1.1K+2 本周数据与评测2025年4月更新

使用 Prometheus 和 GPT-4 等模型评判大模型回答质量,可集成到 Python 与 LLMOps 流程中。适合需要自动化评估生成结果的模型开发和应用团队。

数据与评测
1.1K+22024年4月19日
rogue-security GitHub avatar

rogue-security/roguerogue

Python

AI Agent 评测红队平台 · rogue-security

AI Agent 评测红队平台

★ 1.1K+2 本周数据与评测8月4日更新

面向 AI Agent 的评测与红队测试平台,支持端到端测试和持续监控,适合需要验证 Agent 安全性与可靠性的开发与安全团队。

数据与评测
1.1K+22025年6月6日
ethz-spylab GitHub avatar

ethz-spylab/agentdojoagentdojo

Python

LLM Agent 安全评测环境 · ethz-spylab

LLM Agent 安全评测环境

★ 1.1K+33 本周数据与评测6月2日更新

面向 LLM Agent 的动态评测环境,用于测试提示注入等攻击手段与防御效果,适合安全研究人员和红队评估 Agent 的鲁棒性。

数据与评测
1.1K+332024年2月29日

找不到你要的项目或 Skill?

告诉我们仓库地址和用途,帮助补充你希望收录的项目。

请求收录

接着逛逛 RZH.AI

模型和排行榜也按同样的方式整理好了,每个数字都能看到出处。