Официальная библиотека скиллов Google для Gemini API: закрывает пробел знаний моделей — по оценкам Google, до 96% корректного кода по best practices.
Жёсткий бенчмарк чат-ботов от LMArena: 500 сложных промптов и парное сравнение ответов с бутстрэп-доверительными интервалами.
Бенчмарк понимания длинных текстов от Tsinghua: 21 задача на документах до 32 тысяч токенов — однозначное отслеживание прогресса моделей.
Честная оценка длинного контекста: синтетические задачи из четырёх категорий показывают реальную длину контекста модели — а не заявленную в маркетинге.
Канбан-доска для ИИ-агентов: запускайте Claude Code, Codex и других агентов в параллельных задачах и управляйте ими из одного окна.
Терминальный агент от команды Qwen: наследник Gemini CLI, заточенный под модели Qwen — автономная разработка с большим контекстом.
Строгая оценка генерации кода: расширенные тесты HumanEval+ и MBPP+ отсеивают код, который формально проходит, но не работает на граничных случаях.
Прозрачная оценка моделей от Стэнфорда: стандартизированные сценарии и метрики — от точности до токсичности и устойчивости к атакам.
Комплексная оценка LLM из Шанхая: сотни датасетов и моделей — официальная платформа ведущих китайских и мировых лидербордов.
Понимание длинных видео от команды LLaVA: отвечает на вопросы по роликам, находит моменты и описывает происходящее с открытыми весами.
Локальный ассистент кода в VS Code: автодополнение и чат через Ollama или LM Studio — никакой рабочий код не покидает вашу машину.
Бенчмарк с ежемесячно обновляемыми задачами: вопросы не попадают в обучающие данные моделей, а ответы проверяются объективно — без LLM-судей.
Понимание видео языковой моделью: отвечает на вопросы по роликам, описывает события и находит моменты на временной шкале.
Третье поколение модели сегментации Meta: выделение объектов по точке, рамке или текстовому описанию — быстрее и точнее предшественников.
Агент в терминале с минимализмом в духе Unix: выполняет команды, правит файлы и работает с инструментами — всё через простой чат-интерфейс.
Бесплатный агент кода в VS Code из семейства Cline: автономное исправление ошибок, рефакторинг и работа с MCP — с оплатой за токены по себестоимости.
Единый инструмент оценки зрительно-языковых моделей: десятки бенчмарков от VQA до OCRBench с воспроизводимым пайплайном — стандарт для сравнения MLLM.
Автономный ИИ-учёный от Sakana AI: придумывает идею, проводит эксперименты, пишет статью и рецензирует её — полный цикл научного исследования без человека.
Дайте ИИ-ассистенту руки в Jupyter: выполнение ячеек, управление notebook-файлами и переменными ядра через протокол MCP.
Лёгкий агентный SDK от AWS: стройте агентов с инструментами, памятью и потоковым выводом — без тяжёлой инфраструктуры и вендорной привязки.