UHGEval

中文大语言模型无约束生成幻觉评估基准

UHGEval 大语言模型幻觉评估中文评估基准 Eval Suite Github 开源项目

UHGEval是一个评估中文大语言模型在无约束生成任务中幻觉现象的基准。该项目基于文本生成和幻觉收集，融合自动标注与人工审核。UHGEval提供判别式、生成式和选择式等多种评估方法。项目还包含Eval Suite评估框架，支持多个幻觉评估基准，可全面评估单个大语言模型的表现。

Multi-Modality-Arena - 完善的多模态模型评估工具，让视觉问答更精准

GithubLVLM LeaderboardLVLM-eHubMulti-Modality ArenaOmniMedVQATiny LVLM-eHub开源项目

Multi-Modality Arena 是一个专注于评估多模态模型的开放平台，支持视觉问答任务的对比测试。平台发布了OmniMedVQA和Tiny LVLM-eHub等评估基准，涵盖广泛的视觉和语言领域。用户可以访问在线演示，参与评估项目，并利用丰富的模型和数据集资源进行性能优化。

visualwebarena - 真实视觉网络任务评估多模态智能体表现的基准平台

AI评估GPT-4VGithubVisualWebArena多模态代理开源项目视觉网页任务

VisualWebArena是一个评估多模态自主语言智能体的真实基准平台。它包含多种基于网络的复杂视觉任务，全面评估智能体的各项能力。该项目基于WebArena的可复现评估方法，提供端到端训练和环境重置功能，支持在任意网页上测试多模态智能体。项目还公开了GPT-4V + SoM智能体在910个任务中的表现数据，方便研究人员进行分析和评估。

EVE - 无编码器视觉语言模型实现高效性能

EVEGithub开源项目微调无编码器视觉语言模型预训练

EVE项目开发了一种无编码器的视觉语言模型架构,通过高效训练策略和精选数据集实现了与现有编码器基础模型相当的性能。该模型支持任意纵横比图像输入,在多项基准测试中表现优异。EVE-7B和EVE-7B-HD两个版本在视觉语言任务中展现了强大能力,为跨模态纯解码器架构提供了高效实用的开发方法。

text-generation-webui - 功能丰富的大型语言模型Web界面

AI对话GithubText generation web UI大语言模型开源项目自然语言处理

text-generation-webui是一个基于Gradio的Web界面，用于运行和管理大型语言模型。它提供多种界面模式，支持多个模型后端，可快速切换模型，具有丰富的扩展功能，并支持LoRA微调。该项目集成了Transformers库，支持4-bit和8-bit精度加载，还提供兼容OpenAI的API服务器。这是一个致力于成为文本生成领域领先开源解决方案的项目。

Q-Bench - 评测多模态大语言模型的低层视觉能力

GithubICLR2024Q-Bench低层视觉基准测试多模态大语言模型开源项目

Q-Bench是一个评估多模态大语言模型低层视觉能力的基准测试。它通过感知、描述和评估三个领域，使用LLVisionQA和LLDescribe数据集测试模型性能。该项目采用开放式评估框架，支持研究者提交结果或模型。Q-Bench对比了开源和闭源模型的表现，并与人类专家水平进行对照，为深入理解和提升多模态AI的基础视觉处理能力提供了关键洞察。

mteb - 多任务文本嵌入模型评估基准

GithubMTEB基准测试开源项目文本嵌入自然语言处理评估

MTEB是一个开源的文本嵌入模型评估基准，涵盖多种任务类型和语言。它提供标准化的测试集、灵活的评估配置和公开排行榜。研究人员可以使用MTEB评估自定义模型，添加新任务，并进行模型性能比较，从而推动文本嵌入技术的进步。

uniem - 中文通用文本嵌入模型，支持多种微调与评测方案

GithubHuggingFaceM3EMTEB-zhuniem中文嵌入模型开源项目

项目旨在创建中文通用文本嵌入模型，提供训练、微调和评测代码，并在 HuggingFace 开源。更新亮点包括：FineTuner 支持多模型微调、推出中文版 MTEB 以及 M3E 系列模型在分类与检索任务中的表现。M3E 模型完全兼容 sentence-transformers，使用简易代码即可微调。项目推出 MTEB-zh 进行标准化评测，覆盖多个数据集和模型，结果已发布。

LongBench - 双语长文本理解多任务评估

GithubLongBench多语言大模型开源项目评估长文本理解

LongBench首次为大语言模型的长文本理解能力提供双语、多任务的全面评估基准。它覆盖中文和英文，包含六大类共21种任务，适用于单文档QA、多文档QA、摘要提取、少样本学习、合成任务和代码补全等场景。该项目提供自动化评估方法以降低成本，并涵盖平均长度为5k至15k的测试数据。同时，LongBench-E测试集通过统一采样，分析模型在不同输入长度的性能表现。

FLASK - 细粒度语言模型评估框架

FLASKGithub对齐评估开源项目技能集细粒度分析语言模型评估

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。

Awesome-LLM-Uncertainty-Reliability-Robustness - 大语言模型的不确定性、可靠性和鲁棒性研究资源集

GithubLLM不确定性可靠性开源项目评估鲁棒性

该项目汇集了大语言模型不确定性、可靠性和鲁棒性相关的研究资源。内容包括模型评估、不确定性估计、校准、幻觉、真实性和推理能力等方面。通过整理这些资料,项目为研究人员和开发者提供了深入了解大语言模型局限性和改进方向的参考。

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。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com