eval

用真实编码任务测出大模型真实力，结果公开可对比

开源 free 评测安全

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 315

维护状态维护中

是否开源是

定价模式 free

项目预览

项目数据

分类评测安全

开发团队frontier-harness-eval

所属国家

官网地址https://frontierharness.org

GitHubhttps://github.com/frontier-harness-eval/eval

定价模式free

价格说明开源免费

访问状态

是否开源是

开源协议

主要语言JavaScript

技术栈/模型claude-code,codex,deepseek-harness,eval,evals,evaluation,evaluation-framework,evaluation-metrics,exo-harness,frontier-harness,frontierharness,harness,harness-benchmark,opencode,pi-agent

GitHub 星标★ 315

30天Star增速

HF 下载量

上线时间2026-08-31 00:00:00

代码更新—

仓库体积—

本站数据更新—

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-05

浏览次数1

项目介绍

eval 是 FrontierHarness 项目的评测结果与任务定义公开仓库，专注于大语言模型（LLM）在真实编码环境中的能力评估。它解决的核心问题是：传统基准测试（如 MMLU）无法反映模型在复杂、多步骤、工具调用场景下的真实表现。项目通过定义标准化任务、收集公开结果，并集成多种评测工具链（如 claude-code、codex、deepseek-harness 等），提供可复现的评测流程。其核心能力包括：任务定义文件管理、结果数据发布、以及跨模型对比分析。目前处于早期阶段，星标数 132，主要面向 AI 研究者和评测工程师，用于追踪前沿模型在编码智能体任务上的进展。