Скиллы и MCP с тегом «benchmarking»

agent-eval affaan-m скилл Сравнивает кодинг-агентов на ваших задачах по точности, стоимости и времени. Помогает выбрать инструмент на реальных тестах без опоры на субъективные впечатления. Claude Code CX Codex Cursor +1 4 500установок agent-eval colbymchenry скилл Сравнивает работу агента с CodeGraph и без него на реальном репозитории. Нужен для проверки качества поиска кода и версии CodeGraph. Claude Code CX Codex Cursor +1 1 800установок competitive-analysis официальный anthropics скилл Скилл для подготовки презентаций по конкурентному анализу в PowerPoint или чате. Он собирает требования через опрос и строит слайды только после согласования плана. Claude Code CX Codex Cursor +1 2 400установок bmad-eval bmad-code-org скилл Тестирует и бенчмаркает скиллы в изолированной среде: сравнивает вывод с чистой моделью, проверяет точность триггеров и оценивает качество по рубрике. Claude Code CX Codex Cursor +1 4 500установок llm-evaluation Seth Hobson скилл Скилл для оценки качества LLM-приложений: автоматические метрики, человеческая разметка, LLM-as-judge и бенчмарки. Пригодится, когда нужно сравнить модели или поймать регрессию до деплоя. Claude Code CX Codex Cursor 12 755установок arize-experiment официальный arize скилл Скилл управляет экспериментами в Arize через ax CLI: оценивает модели на датасетах и выгружает результаты прогонов. GitHub Copilot 1 100установок autoresearch-agent Alireza Rezvani скилл Автоматически меняет файл, запускает оценку и сохраняет улучшения по метрике. Подходит для циклов оптимизации кода, тестов, промптов и контента. Claude Code 589установок agenthub Alireza Rezvani скилл Запускает N параллельных субагентов в изолированных git worktree для соревнования на одной задаче. Координатор выбирает лучшее решение по метрике или диффам и вливает его. Claude Code 589установок