LM Evaluation Harness
活跃简介
EleutherAI 推出的大语言模型评估框架，提供标准化的少样本评测流水线，支持数百项基准任务，是 LLM 社区广泛采用的核心评测工具。
相关项目
Lighteval
2.4k · Python
HuggingFace 推出的一站式 LLM 评估工具包，支持多种后端的模型评测，与 HuggingFace 生态深度集成，提供灵活的评估指标和基准配置。
llm-evaluationevaluation-frameworkhuggingface +2
Inspect AI
2.2k · Python
英国 AI 安全研究所（AISI）开源的大语言模型评估框架，提供全面的模型能力评估工具，支持安全性和对齐性测试。
llm-evaluationai-safetyevaluation-framework +2
Opik
19.4k · Python
Opik 是一个开源的 LLM 应用可观测性平台，提供 Agent 追踪、评估测试、提示词实验管理等功能，帮助开发者监控和优化 AI Agent 系统。
observabilityllm-evaluationtracing +2
Harbor
2.3k · Python
Agent 评估框架，支持运行 Agent 基准测试和创建强化学习环境，用于衡量和改进 Agent 性能
evaluationbenchmarkrl-environments +2