Evaluation

Braintrust 官方评测文档，覆盖 LLM 应用评估工作流。

面向 LLM 应用的单元测试式评测框架。

增强代码生成评测的开源工具，扩展 HumanEval / MBPP 测试覆盖。

面向机器学习与 LLM 应用的开源测试与质量保障框架。

斯坦福 CRFM 开源的全面语言模型评测框架。

UK AISI 开源的 LLM 评测框架，支持大规模实验编排。

LangSmith 官方评测文档，用于数据集、实验与评分流程。

Hugging Face 开源的轻量 LLM 评测库。

EleutherAI 开源的通用语言模型评测工具箱。

LMSYS FastChat 仓库，包含 MT-Bench 等对话模型评测能力。

OpenAI 开源的模型评测框架，用于定义与运行评估任务。

面向大模型的开源评测平台，覆盖多任务基准与工具链。

Arize Phoenix 官方 LLM 评测文档与评估能力说明。

用于提示词测试、回归与红队评估的开源工具。

用于评估 RAG 系统质量的开源评测框架。

用于评估与追踪 LLM 应用的开源框架。