AgentHarness - Apodex
Apodex-1.0 的评估框架，用于在公开深度研究基准测试上评估 AI Agent 的表现。
🎯适用场景：在公开深度研究基准上评估和对比 AI Agent 的研究能力
📥 收录于 2026/6/21
📊 仓库数据
📈 Stars 变化 ↑6 小时 +3· 统计区间 6/24 00:08 → 6/24 06:11（6 小时）
✅ 优点
- •标准化评估
- •公开基准
- •Apache-2.0
⚠️ 限制
- •仅评估用途
- •依赖 Apodex 生态
🔗 相关工具
OpenAI Evals
github.com/openai/evals
OpenAI 官方的 LLM 评估框架和基准测试开源注册表，提供标准化的评估流程和丰富的基准数据集，是 LLM 能力评测的行业标准工具，覆盖推理、指令遵循、安全性等多维度评估
🎯LLM 能力评测与基准测试、模型迭代效果验证、AI 安全性评估
OpenCompass
github.com/open-compass/opencompass
LLM 评测平台，支持 Llama3、Mistral、GPT-4 等 220+ 大模型的全面评估，80+ 评测基准，是学术界和工业界广泛使用的评测工具
🎯对 LLM 进行全面、客观的性能评估
中文 LLM 能力评测
github.com/jeinlee1991/chinese-llm-benchmark
非线智能中文大模型能力评测：覆盖 374+ 大模型，包括 ChatGPT、Claude、Gemini、文心一言等持续排名
🎯对比和追踪主流中文/多语言大模型的能力排名
Lmms Eval
github.com/evolvinglmms-lab/lmms-eval
一站式多模态评估工具包，覆盖文本、图像、视频和音频任务的统一评测。支持主流多模态模型的基准测试和性能对比，是 ML 研发的质量保障基础设施。4.2K+ stars
🎯多模态模型评测与 benchmark、ML 模型质量保障
mteb
github.com/embeddings-benchmark/mteb
大规模文本嵌入模型基准测试套件，覆盖信息检索、聚类、双语文本挖掘等多个 NLP 任务，是评估嵌入模型质量的标准工具。
🎯评估和比较不同嵌入模型在多种 NLP 任务上的表现
DeepEval
github.com/confident-ai/deepeval
LLM 评估框架，15K+ stars。提供全面的 LLM 评估指标和测试框架，支持 RAG 评估、幻觉检测、毒性检测等，是 LLM 应用质量保证的标准工具
🎯LLM 应用上线前的自动化质量评测与 RAG 效果验证