怎么选 · 先看这 3 个
36 / 36 个软件
promptfoo 0.124.1 ★ 26k 提示词/agent 测试与红队 开源 CLI deepeval v4.1.5 ★ 19k LLM 单元测试式评估 开源 SDK ragas v0.4.3 ★ 16k RAG 与 agent 评估 开源 SDK iFixAi v4.2.1 ★ 32k 独立审计 AI agent：回答“它到底干了什么、安全吗”。 开源 CLI e2e ★ 11k 下一代 Web 与移动端 e2e 测试框架。 开源 SDK evalscope ★ 3.6k 大模型评测框架（LLM、VLM、AIGC）。 开源 Python deepteam ★ 3.0k 对 LLM 和 AI agent 做红队测试的框架。 开源 Python FastChat v0.2.36 ★ 40k Chatbot Arena 与 MT-Bench 平台 开源 CLIAPI openai/evals 3.0.1 ★ 20k OpenAI 评测框架与基准注册表 开源 CLI lm-evaluation-harness v0.4.13 ★ 14k 语言模型少样本评测框架 开源 CLI gorilla v1.3 ★ 13k Gorilla 与 BFCL 函数调用榜 开源 CLI opencompass 0.5.4 ★ 7.5k 上海 AI Lab 大模型评测平台 开源 CLI SWE-bench v5.0.1 ★ 6.1k 真实 GitHub issue 修复基准 开源 CLI giskard-oss v1.0.6 ★ 5.9k AI 模型测试与红队 开源 SDK agenta v0.122.10 ★ 4.8k LLMOps：提示管理与评估 开源 API simple-evals ★ 4.7k OpenAI 轻量评测 开源 CLI lmms-eval v0.7.3 ★ 4.5k 多模态模型评测 开源 CLI VLMEvalKit v0.2 ★ 4.5k 视觉语言模型评测 开源 CLI AgentBench ★ 3.8k LLM 作为 agent 的综合基准 开源 CLI trulens trulens-2.15.0 ★ 3.6k LLM 应用评估与追踪 开源 SDK OSWorld v0.1.16 ★ 3.2k 真实电脑环境多模态 agent 基准 开源 CLI inspect_ai 0.3.283 ★ 3.1k 英国 AISI 的 LLM 评测框架 开源 CLISDK stanford-crfm/helm v0.5.16 ★ 2.9k 斯坦福整体评测框架 HELM 开源 CLI terminal-bench-1 ★ 2.6k 终端任务 agent 基准 开源 CLI lighteval v0.13.0 ★ 2.6k Hugging Face 评测工具 开源 CLI evaluate v0.4.6 ★ 2.5k 评测指标库 开源 SDK tau2-bench v1.0.1 ★ 2.2k τ²-bench 双控制环境基准 开源 CLI mle-bench ★ 1.8k 机器学习工程 agent 基准 开源 CLI webarena v0.2.0 ★ 1.6k 真实网站环境 agent 基准 开源 CLI tau-bench ★ 1.5k 工具-用户-agent 交互基准 开源 CLI BrowserGym v0.14.3 ★ 1.4k 网页 agent 研究环境 开源 SDK LiveBench ★ 1.3k 防污染动态 LLM 基准 开源 CLI openevals openevals==0.2.2 ★ 1.2k LangChain 现成评估器 开源 SDK autoevals py-0.4.0 ★ 1.0k 自动评估器库 开源 SDK Braintrust 单客户年费几万到 10 万美元以上 闭源 / 商业 LangSmith 评价里“加人就涨价” 闭源 / 商业
关于这页的数据
- 默认按“推荐”排序：编辑定稿的常用在前，其余按热度；通用开发软件和已归档项目排在后面。
- 数据核实于 2026-10-22，只链官方来源。 JSON API