01 详细解释
最小可用版本只需要:一组带标准答案或评分规则的用例、一个批量调用脚本、一个结果对比表。开源的有 lm-evaluation-harness、promptfoo 等。
关键不是工具,而是用例来自你的真实业务。公开榜单告诉你「大概行不行」,自己的评测集才能回答「在我这儿行不行」。每次换模型、改提示词都跑一遍。
批量跑测试用例、自动打分、出报告的工程框架。
本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正
最小可用版本只需要:一组带标准答案或评分规则的用例、一个批量调用脚本、一个结果对比表。开源的有 lm-evaluation-harness、promptfoo 等。
关键不是工具,而是用例来自你的真实业务。公开榜单告诉你「大概行不行」,自己的评测集才能回答「在我这儿行不行」。每次换模型、改提示词都跑一遍。
「跑分高」和「好用」之间隔着一条鸿沟。这组词帮你看懂分数怎么来的、评测集有没有被污染,以及攻击是从哪进去的。
下面这些站点来自 AI 导航(nav.ppv9.com)的同一份工具清单,按本词条的相关度挑选。