[EVAL] Long Horizon Execution

倉庫指標

星標

2,496 顆星 (2,496 顆星)

PR 合併指標

PR 指標待抓取 (PR 指標待抓取)

描述

貢獻者指南

研究方向

使用提供的論文和資料集實現長時執行評估任務。研究論文（https://arxiv.org/abs/2509.09677）了解指標和方法，並整合Hugging Face上的資料集。參考lighteval中現有的評估任務作為模板。

技術棧

python

領域

machine learningai

議題類型

功能

難度面向新貢獻者的預計實作難度，1 表示很小改動，5 表示專家級工作。

3

預計時間有經驗貢獻者完成調查、實作、測試並準備 pull request 的粗略時間範圍。

1-2 天

活動狀態議題目前的可參與程度：新鮮、活躍、陳舊、阻塞或等待維護者輸入。

活躍

清晰度議題是否清楚說明預期改動、驗收標準和下一步。

清晰

前置要求

Pythonlighteval framework

新手友善度1-100 的估計分數，表示該議題對首次貢獻者的友善程度。

60