xinxuxin/keystone-bench
A clinical decision-evidence benchmark: pull the one fact an answer rests on, and see whether the assistant's action moves with the evidence. Built on HealthBench.
О проекте
Клинический бенчмарк для чат-ассистентов: проверяет, меняется ли действие модели, когда один решающий факт в диалоге убран, заменён или противоречит остальному, и остаётся ли применимой рубрика врача.
Чем пригодится
- Проверить, сохраняет ли ассистент осторожность, когда из вопроса пропадает ключевой факт
- Оценить, не подстраивается ли модель под нерелевантный, но яркий факт в диалоге
- Сравнить поведение нескольких ассистентов на одном наборе клинических twin-диалогов
Пересказ README моделью DeepSeek V4.1 Flash. Может ошибаться в деталях.
Почему он в тренде
- Сегодня 53 звезды.
- За последние двое суток темп в 8 раз выше, чем в предыдущие полторы недели.
- Всплеск держится 2 дня подряд — это не случайный выброс.
- Репозиторию 6 дней, а у него уже 87 звёзд.
- Топ новых репозиториев за неделю: #172.
Звёзды по дням
Столбики — звёзды за день, линия — обычный темп. Красным — дни всплесков.
Цифры
- Всего звёзд
- 87
- Звёзд за сутки
- 54
- Форков
- 1
- Issues и pull requests
- 0
- Наблюдателей
- 1
- Язык
- Python
- Последний релиз
- v0.4.0 · 7 сентября 2026
- Создан
- 7 сентября 2026
- Последний коммит
- 13 сентября 2026
Доверие к звёздам
Рост выглядит естественно: форков и обсуждений столько, сколько бывает у живых проектов, а звёзды приходят неровно, как от людей.
Это эвристики, а не приговор: судим по поведению репозитория, а не по списку звездивших.
Где замечен
- 13 сентября 2026Топ новых репозиториев за неделю: #172
Поделиться
Бейдж для README
Вставьте в README — бейдж сам показывает свежую магнитуду и ведёт на эту страницу.
[](https://gitnova.dev/r/xinxuxin/keystone-bench)Похожие проекты
-
6,1
JustVugg/colibri
Инференс-движок на чистом C без зависимостей для запуска больших MoE-моделей (744B–2.8T параметров) на потребительском железе за счёт многоуровневой памяти: VRAM, RAM и диск как единая иерархия для стриминга экспертов.
-
5,7
asgeirtj/system_prompts_leaks
Коллекция извлечённых системных промптов от Anthropic, OpenAI, Google, xAI и других — скрытых инструкций, которые получают чат-боты до первого сообщения пользователя.
-
5,1
kennethwolters/litelm
Облегчённая альтернатива litellm: маршрутизация вызовов LLM между 19 провайдерами и трансляция форматов сообщений в ~2900 строк с двумя зависимостями, без прокси, кэша и трекинга затрат.
-
5,0
MiaAI-Lab/DeepSeek-v4.1-Flash-EXL3-2x-DGX-Sparks
Локальный чекпоинт DeepSeek-V4.1-Flash в квантовании EXL3 2.9 bpw (196 GiB, 39 шардов) для запуска через vLLM с OpenAI-совместимым API на двух NVIDIA GB10 (DGX Spark) с tensor-parallel 2. Включает спекулятивное…
-
4,8
unclecode/crawl4ai
Открытый веб-краулер и скрапер, преобразующий страницы в чистый Markdown, готовый для LLM, RAG и агентов. Работает через Python API, CLI и Docker без API-ключей.
-
4,5
Edge0-AI/Edge0
Открытый фреймворк для стримингового инференса MoE-моделей: эксперты выгружаются с SSD по требованию, а обученный prerouter предсказывает маршрутизацию заранее. Работает на Apple Silicon через MLX, поставляется с двумя…