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 2026-08-09 · 当前星标 ★ 282
核心亮点
- 提供标准化测试集，覆盖代码、文档、设计等多类工件，评估维度全面
- 自动化评分流程，减少人工干预，结果可复现
- 支持插件化扩展，方便接入新模型和自定义评估指标
不足之处
- 早期项目，测试集覆盖场景有限，可能无法反映真实复杂任务
- 文档和社区生态尚不完善，上手门槛较高
适用场景
- AI 模型选型时对比不同模型的生成质量
- 研究机构评估最新生成模型的性能
- 开发团队在集成 AI 生成功能前进行质量验收
替代项目
HELM、lm-evaluation-harness、Big-Bench
同类项目推荐
SECA
开源
用语义等价攻击，自动逼出 LLM 的幻觉破绽
[NeurIPS 2025] SECA: Semantically Equivalent and Coherent Attacks for Eliciting LLM ···
eval-assist
开源
用网页交互调教 LLM 当裁判，迭代出靠谱评估标准
EvalAssist is an open-source project that simplifies using large language models as ···
CS-Eval
开源
给网络安全大模型打分，快速找出安全能力短板
CS-Eval is a comprehensive evaluation suite for fundamental cybersecurity models or ···
litmus
开源
拖拽式搭建 LLM 测试，快速看清模型表现
Litmus is a comprehensive LLM testing and evaluation tool designed for GenAI Applica···
guardrail
开源
用 GPT 快速做情感分析和内容审核
GuardRail: Advanced tool for data analysis and AI content generation using OpenAI GP···
text2image-benchmark
开源
一键跑分，量化你的文生图模型实力
Benchmark for generative image models
GenExam
开源
用跨学科考题给文生图模型打分，测出真实知识水平。
[ICML 2026] GenExam: A Multidisciplinary Text-to-Image Exam
guardian-sdk
开源
给 AI 应用装上安全气囊，防住提示注入和越狱攻击。
Ethicore Engine® is an AI safety, ethics, and compliance platform. This repo consis···
OpenART
开源
万级场景压测 AI Agent，提前揪出越权与投毒风险
OpenART is an open-source framework designed to evaluate the safety and robustness o···