“evaluation-framework” 相关开源项目

统一的语言模型少样本评测框架，覆盖大量标准学术基准测试。

开源 Python LLM 评测框架，可像 Pytest 一样对 LLM 应用做单元测试，内置 RAG、Agent、多轮对话等指标。

用于评估提示词和对 LLM 应用做红队测试的命令行工具与库，支持声明式配置和 CI/CD 集成。