AutoRAG

编码代理基准，包含 113 个原创长周期软件工程任务，覆盖 TypeScript/Go/Python/JS/Rust，无预训练污染。评估 claude-code、codex、gemini-cli 等主流代理在真实工程场景的表现。

🎯评估编码代理在真实软件工程任务的表现，作为选择代理的参考

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

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

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

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

开源 LLM Agent 评估与测试库，5K+ stars。覆盖 Agent 评估、AI 红队测试、公平性检测等能力，是 LLM 安全评测的重要工具

🎯LLM/Agent 上线前的安全评估、红队测试、偏见检测、合规性审计