AI 模型评测工具推荐

企业级 AI 监控和治理平台，支持模型性能、可解释性和风险管理。

开源 ML 和 LLM 监控评估工具，适合数据漂移、质量报告和生产检查。

面向 GenAI 应用的评测和可观测性平台，支持数据集、指标和失败案例分析。

基于 DeepEval 的 LLM 评测平台，适合团队管理测试集、指标和回归检查。

机器学习性能基准集合，覆盖训练、推理和 AI 系统性能评估。

机器学习和 LLM 应用评测工具，帮助发现数据、模型和生产质量问题。

AI 模型测试和风险评估平台，支持 LLM 应用安全、偏见和质量检查。

开源 LLM 应用评估和可观测性工具，适合衡量反馈函数、检索质量和回答质量。

开源 LLM 评测框架，支持单元测试式评估、数据集和 CI 流程。

开源 AI 可观测性和评测平台，支持 traces、RAG 分析和实验比较。

模型和数据监控平台，用于发现数据漂移、异常和生产质量问题。

开源 LLM 评测和 Prompt 回归测试工具，适合比较模型、提示词和安全策略。

面向 RAG 应用的评估框架，支持答案相关性、上下文召回和忠实度等指标。

开源语言模型评测框架，覆盖多种基准任务和模型比较流程。

OpenAI 开源评测框架，用于创建和运行模型能力与任务表现评估。

斯坦福发布的语言模型整体评测框架，覆盖准确性、鲁棒性、公平性等维度。