tribunal
在 Elixir 里像写测试一样评测 LLM 输出
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-09-15 · 当前星标 ★ 119
核心亮点
- 原生 Elixir 实现，可直接融入 ExUnit 测试流程，无需引入 Python 评测栈
- 内置幻觉检测与回答质量度量，覆盖评测常见需求
- 对 Phoenix/Nx 等 Elixir 生态项目集成成本低
不足之处
- 项目早期，API 可能不稳定，功能覆盖有限
- 社区和文档规模较小，遇到问题可参考的案例不多
适用场景
- Elixir 后端服务中对 LLM 接口做回归测试
- 对比不同提示词或模型版本的输出质量
- 在 CI 中自动检测模型回答是否出现幻觉
替代项目
promptfoo、DeepEval
上一篇：Eval
下一篇：LLMEvaluation
同类项目推荐
Awesome-Process-Reward-Models
开源
一站式索引过程奖励模型论文与代码，快速上手推理监督
A comprehensive collection of process reward models.
BrainBench
开源
用神经科学实验预测题，测出AI比专家更懂科研
Source code for
llm-leaderboard
开源
一站式对比LLM基准分数和价格，快速选型
A comprehensive set of LLM benchmark scores and provider prices. (deprecated, read m···
CRUD_RAG
开源
测一测你的RAG系统，中文场景下到底行不行
CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of La···
Awesome-Deepfake-Generation-and-···
开源
一页看懂Deepfake攻防全图谱，找论文、查代码、跟前沿。
[CSUR 2026] A Survey on Deepfake Generation and Detection
evalstats
开源
小样本评测也能算出模型差异是否真实
Statistical inference for AI evaluations, from model comparisons to corrections for ···
GLM-5.3-Flash-J-Space-Capability···
开源
把大模型智能体能力评测做成可读报告，一眼看清真实水平
GLM-5.3-Flash × J-Space capability realization — benchmark presentation of the J-S···
mt-rag-benchmark
开源
多轮对话下测 RAG，暴露单轮评测看不到的短板
Multi-Turn RAG Benchmark
lmms-eval
开源
一套工具搞定文本/图像/视频/音频模型评测，结果可复现
One-for-All Multimodal Evaluation Toolkit Across Text, Image, Video, and Audio Tasks