FLASK

细粒度语言模型评估框架

FLASK是一个开源的语言模型评估框架，采用细粒度的实例级技能集作为评估指标。该框架提供任务无关的评估协议，包含模型推理、GPT-4评估和结果分析功能。FLASK还具备自动元数据标注能力，可标注领域、技能集和难度级别。项目包含详细使用说明和在线演示，为语言模型评估提供全面解决方案。

Github

论文

介绍相关项目

llm_benchmarks - 大语言模型评估基准集合

GithubLLM人工智能开源项目机器学习自然语言处理语言理解

llm_benchmarks是一个全面的大语言模型评估基准集合,涵盖知识理解、推理能力、多轮对话和内容摘要等方面。该项目包含MMLU、ARC、GLUE等知名数据集,用于测试模型在不同任务中的表现。这一标准化工具为评估大语言模型性能提供了可靠依据,有助于相关技术的发展与应用。

promptbench - 大语言模型的评估与理解综合工具包

GithubPrompt EngineeringPromptBench大语言模型对抗性提示开源项目评估

基于Pytorch的Python包，提供评估和理解大语言模型的友好API。支持快速模型性能评估、提示工程、对抗性提示评估和动态评估框架。兼容多种模型（如GPT-4、Llama2、BLIP2）和数据集（如GLUE、SQuAD、VQAv2）。适合研究人员和开发者使用与扩展。

AdalFlow - 打造和优化大语言模型任务流水线的轻量级、模块化应用库

AI库AdalFlowGithubLLM应用大语言模型开源项目模块化

AdalFlow是一个基于PyTorch设计模式的大语言模型（LLM）应用库，旨在帮助开发人员构建和优化任务流水线。这个库注重代码的可读性和模块化，能够灵活应对从聊天机器人到文本分类等不同的AI应用。AdalFlow支持用户根据自身的需求进行定制和迭代，提供一种清晰的流水线结构和基于组件的构建方式，使用户能够轻松理解和部署LLM工作流。

long-form-factuality - 大型语言模型长篇文本事实性评估工具集

F1@KGithubLongFactSAFE大语言模型开源项目长篇事实性

Long-form-factuality项目提供了一套完整的工具和方法来评估大型语言模型生成长篇文本的事实准确性。项目包括LongFact提示集、SAFE评估器和F1@K指标。研究人员可以利用这些工具对OpenAI和Anthropic等模型进行基准测试，深入探究语言模型在长篇事实性文本生成方面的表现。项目代码开源，便于复现实验结果和进行further研究。

benchllm - 简化大语言模型和AI应用的连续集成与测试

BenchLLMGithubLLMPython开源开源项目测试

BenchLLM是一个开源Python库，用于简化大语言模型和AI应用的测试。它提供多种测试和评估方法，包括语义相似度和字符串匹配，并具有缓存功能。BenchLLM支持链、代理和各种LLM模型的测试，有助于消除不稳定因素，确保代码的可靠性。便捷的安装和使用方式使其适用于开发者进行自动化集成和模型评估。

llmeval-1 - 系统评估中文大语言模型的创新研究项目

GithubLLMEVAL-1大模型大语言模型评测开源项目排行榜评测方法

LLMEVAL-1项目致力于系统研究大语言模型评价方法。该项目涵盖17个大类、453个问题，内容包括事实性问答、阅读理解和框架生成等多个领域。评测采用分项和对比两种方式，从正确性、流畅性、信息量、逻辑性和无害性五个维度进行。LLMEVAL-1通过结合众包和专业评测，为中文大语言模型提供了全面、客观的评估基准。

HuggingFists - 简化LLM和HuggingFace模型应用的数据流工具

GithubHugging FaceHuggingFists低代码工作流管理开源项目数据流工具

HuggingFists是一个创新的数据流工具，旨在简化LLM和HuggingFace模型的应用。该工具提供低代码功能，包括工作流管理、作业调度和环境配置。通过直观的拖拽界面，用户可以设计数据处理流程，轻松访问HuggingFace模型和数据集。HuggingFists支持文本摘要、情感分类和命名实体识别等AI任务，同时允许本地模型部署。其独特的断点调试功能有助于提高AI应用开发效率。

FL-bench - 开源联邦学习基准测试平台

FL-benchGithub个性化联邦学习开源项目算法实现联邦学习领域泛化

FL-bench是一个开源的联邦学习基准测试平台,实现了多种经典和前沿算法。平台支持个性化联邦学习和域泛化等研究方向,提供简单接口用于自定义数据集和模型。集成了可视化工具,方便研究人员快速实现和对比不同方法。FL-bench旨在促进联邦学习领域的创新与发展。

LLM-eval-survey - 汇集了涵盖自然语言处理、逻辑推理、机器翻译等领域关于大型语言模型（LLMs）的全面评估研究与资源

ChatGPTGithub大型语言模型开源项目自然语言处理论文评估

作为一个独立资源，LLM-eval-survey汇集了关于大型语言模型（LLMs）的全面评估研究与资源。涵盖自然语言处理、逻辑推理、机器翻译等领域，旨在提升对这些先进模型的理解和应用。项目通过多维度的评估方法，助力研究人员和开发者深入探索LLMs的潜力与挑战，推动人工智能技术进步。还定期更新最新研究论文和实用资源，为学术和工业界提供重要信息与工具。

giskard - LLM和ML模型的评估和测试框架

AI模型GiskardGithubLLM偏见检测安全性开源项目

Giskard是一个开源的Python库，旨在自动检测AI应用中的性能、偏差和安全问题。支持LLM和传统的ML模型，功能涵盖自动生成评估数据集、评估RAG应用答案、检测幻觉、生成有害内容及敏感信息泄露等问题。Giskard可无缝集成到各种环境中，并提供详细文档和示例代码，适用于各类AI开发者。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com