LLM-Agent-Benchmark-List：大语言模型与智能体评测基准全景图谱

该项目系统梳理了面向大语言模型（LLM）和AI智能体的各类评测基准，涵盖工具使用、推理能力、代码生成、多模态理解、智能体交互等多个维度，收录超过60个权威基准，为AGI研究者提供一站式资源索引，回答"评什么、在哪评、怎么评"三大核心问题。

在LLM技术飞速迭代的今天，科学全面评估模型真实能力成为紧迫课题。zhangxjohn维护的LLM-Agent-Benchmark-List项目应运而生，系统性收集整理60+权威评测基准，覆盖从基础能力到高阶智能的完整维度，核心定位是解决"评什么、在哪评、怎么评"三大问题，为AGI研究者提供清晰路线图，避免重复造轮子。

LLM评测方法论正经历深刻变革：1. 从静态到动态：如LiveBench用动态更新数据避免数据污染，NPHardEval通过算法生成无穷新题；2. 从单任务到多轮交互：现代智能体评测强调多轮上下文理解与策略调整，AgentBoard提供回合级分析；3. 从结果导向到过程评估：T-Eval逐步评估工具使用各环节，JudgeBench专门评测评判能力。

项目覆盖多维度评测基准：\n- 工具使用：API-Bank（阿里，综合工具增强LLM评测）、ToolLLM（16000+真实API测试）、T-Eval（逐步评估工具使用环节）；\n- 推理规划：NPHardEval（NP难问题测推理深度）、PlanBench（多步规划）、AgentBench（清华综合智能体评测）；\n- 代码能力：HumanEval/MBPP（基础代码生成）、SWE-bench（真实GitHub Issue修复）、CRUXEval（代码推理理解执行）；\n- 多模态/多语言：MME（腾讯多模态感知认知）、M3Exam（多语言多模态考试）、AlignBench（中文对齐能力）；\n- 智能体交互：WebArena（网页环境任务）、OSWorld（操作系统任务）、MAgIC（多智能体协作）。

该项目为AGI研究提供不可替代的参考：帮助研究者快速定位适合的评测工具，理解当前模型能力边界与薄弱环节，追踪2023-2026年前沿趋势，避免重复建设。它如同AGI探索的全景地图，标注已知评测疆域，是模型开发者、应用方、研究者的坚实起点。

研究者可通过该项目：1. 快速找到对应研究方向的评测基准，无需盲目搜索；2. 对比不同基准设计思路与结果，清晰认识模型能力边界；3. 持续关注项目更新，把握领域发展脉络；4. 参考现有基准设计，避免重复造轮子，集中精力于创新维度。