GitHub Stars
19.3K
Forks数量
3.1K
贡献者数量
442
许可证
Other
收录理由
依赖大模型做产品的团队，常常说不清换一个模型版本到底有没有变好。Evals 把这种模糊的担忧变成可重复的测试：它自带一批现成的评测基准，覆盖模型的不同行为表现；你也可以用自己的数据写评测，甚至做成完全私有的评测，数据不会离开你的环境。多数评测只是 JSON 加一份 YAML 配置，不用写评测代码，对没有深厚机器学习背景的团队也很友好。它还支持更复杂的场景，比如多步提示链和会调用工具的智能体。如果你曾被模型替换后的静默退化坑过，用它能赶在问题影响用户之前发现变化。
相关文章
暂无针对该项目的文章。
如需补充新闻资讯、使用教程、应用测评等内容，欢迎 联系我们推荐选题或投稿。
同类热门项目
unsloth
本地UI，用于运行和训练LLM及扩散模型。支持GGUF、MLX、Qwen3.8、Kimi K3、MiniMax-H3、Gemma 4、FLUX等。
LlamaFactory
统一高效微调100+大语言模型与视觉语言模型（ACL 2024）
airflow
Apache Airflow - 一个以编程方式编写、调度和监控工作流的平台
langfuse
🪢 开源AI工程平台：LLM评估、可观测性、指标、提示管理、游乐场、数据集。与OpenTelemetry、LangChain、OpenAI SDK、LiteLLM等集成。🍊YC W23
netron
神经网络、深度学习和机器学习模型的可视化工具