BenchSpan

BenchSpan 是一个代理基准测试平台，专为构建 AI 代理的开发人员而设计，使基准测试能够在几分钟而不是几小时内完成。[1]它在隔离的 Docker 容器中并行运行评估，以最少的设置支持 14 小时 SWE 工作台等工作负载。[1]

用户提供简单的 bash 脚本来启动代理，无需框架锁定或特定接口更改。[1]该平台提供标准基准测试库，包括 SWE-bench Verified、SWE-bench Lite、Terminal-Bench、HumanEval、MBPP、MATH 和 GPQA，或者允许自定义基准测试。[1]配置并行实例的数量并直接从接口启动运行。[1]

结果捕获详细指标，例如分数、轨迹、令牌使用情况、延迟和自定义数据，所有这些都集中在可搜索的团队仪表板中。 [1]运行由提交哈希标记，以便于跨版本的重现和比较。[1]此设置简化了工程团队的 AI 代理评估、基准工作流程 和绩效跟踪。[1][9]

免责声明：WebCatalog 与“BenchSpan”没有任何附属、关联、授权、认可关系，也没有以任何方式正式关联。所有产品名称、徽标和品牌均为其各自所有者的财产。