jury

综合性NLP实验评估工具包

Jury是一个全面的NLP实验评估工具包，提供多种自动化指标。它支持多种评估指标的同时计算，可处理多预测/多参考的评估场景。Jury优化了evaluate库的设计，简化了自定义指标的添加。该工具包统一了指标计算的输入结构，支持并发计算，适用于各类NLP项目。

访问官网

Github

文档

论文

介绍相关项目

prometheus-eval - 前沿的大语言模型生成任务评估工具

BiGGen-BenchGithubPrometheus 2 BGBPrometheus-Eval开源项目评估语言模型

Prometheus-Eval是一个评估生成任务中大型语言模型（LLMs）的开源项目。最新的Prometheus 2版本内置多种高性能评估模型，并集成了提供9项核心能力、77个任务和765个实例的BiGGen-Bench评估平台。该项目支持本地推理和通过VLLM及LLM API进行远程评估，且能够方便地在Python环境中安装和使用。项目持续更新，以确保评估的准确性和效率。访问官方仓库获取更多信息。

AGIEval - 全面评估AI模型人类认知能力的基准测试

AGIEvalGithub人工智能评估基准测试基础模型开源项目自然语言处理

AGIEval是一个评估AI基础模型人类认知能力的综合基准。它包含20个源自高标准入学和资格考试的任务，涉及多个领域。AGIEval提供完整数据集、基线系统评估和详细评估方法，是衡量AI模型综合能力的权威工具。最新版本支持多语言评估，并设有完整排行榜，为研究人员提供了全面的AI模型能力评估平台。

NLP-Natural-Language-Processing - 全面的自然语言处理资源与工具库

GithubNatural Language Processing开源项目数据科学机器学习深度学习计算机视觉

提供全面的自然语言处理（NLP）资源，涵盖数据集、前沿技术、课程、书籍推荐、GitHub代码示例及流行工具。涉及数据分析、知识图谱、模型与算法、情感分析、主题建模等任务的详细资料与学习路径。了解最新NLP动态，探索自然语言处理的应用潜力。

unieval-dialog - 多维度对话生成评估工具，提升模型性能

GithubHuggingfaceUniEval多维评估对话生成开源项目模型自动评估自然语言生成

UniEval作为一款开源工具，通过多维度自动评估提升自然语言生成的精确性和细致性。

instruct-eval - 指令调优的大型语言模型的评估和比较

AlpacaFlan-T5GithubIMPACTInstructEvalLLM开源项目

InstructEval项目专注于全面评估和比较指令调优的大型语言模型（如Flan-T5和Alpaca），并提供简便的基准测试库和排行榜。该项目支持多种模型和任务，使研究者能够轻松直观地在学术基准（如MMLU和BBH）上比较模型表现。此外，InstructEval发布了用于评估LLM写作能力的IMPACT数据集和安全评估基准Red-Eval，为用户提供多样的测试工具和资源。

yet-another-applied-llm-benchmark - 基于真实场景的大语言模型能力评估基准

API密钥Docker容器GithubLLM基准测试开源项目数据流DSL模型评估

yet-another-applied-llm-benchmark是一个评估大语言模型在实际应用场景中表现的基准测试项目。该项目包含近100个源自真实使用情况的测试案例，涵盖代码转换、反编译、SQL生成等多种任务。通过简单的数据流DSL设计测试，项目提供了一个灵活的框架来评估大语言模型的实际能力。这个基准虽不是严格的学术标准，但为开发者提供了衡量大语言模型在日常编程任务中表现的实用方法。

uptrain - 开源平台评估优化LLM应用

GithubLLM应用UpTrain开源平台开源项目改进评估

UpTrain是一个专注于评估和优化大型语言模型(LLM)应用的开源平台。它提供全面的工具和功能,用于衡量LLM应用性能、识别问题并持续改进。该平台支持自动化评估、错误分析和性能跟踪,有助于提高LLM应用的质量和可靠性。UpTrain提供多种评估指标和定制选项,适用于各种LLM应用场景。

athina-evals - AI团队评估和实验的开源工具集

AIAthinaGithub可观察性实验开源项目评估

athina-evals是一个开源AI评估工具集，包含50多个预设评估和自定义评估功能。该项目与Athina IDE集成，支持开发原型管道、运行实验和比较数据集。用户可通过编程或图形界面执行评估，在Athina IDE中查看结果并进行数据集对比。这一工具旨在提升AI团队的工作效率和分析能力。

evals - 开源框架助力大型语言模型性能评估

API密钥Git-LFSGithubLLM评估OpenAI Evals开源项目评估框架

evals是一个开源框架，用于评估大型语言模型(LLM)及其衍生系统。该框架提供评估注册表，支持测试OpenAI模型的多个维度，同时允许用户创建自定义评估。开发者可利用私有数据构建评估，无需公开敏感信息。evals能够帮助开发者深入分析不同模型版本对特定应用场景的影响，对LLM开发过程具有重要价值。

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。

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。

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