CrucibleBench

付费推理 & 运维 › 评测与基准

基于 MUD（Multi-User Dungeon）文本游戏的 LLM 评测平台，用沉浸式游戏场景测试 LLM 的推理、规划与多轮交互能力，付费概念验证。

🎯适用场景：用游戏化场景评测 LLM 的推理、规划与多轮交互能力

#llm-eval#benchmark#mud#reasoning#evaluation

📥 收录于 2026/7/23

访问工具 📖 官方文档

✅ 优点

•创新的游戏化评测方式
•测试推理与规划能力
•低成本概念验证

⚠️ 限制

•$99 付费
•概念验证阶段
•非开源

🔗 相关工具

evalscope

开源⭐ 3.1k

github.com/modelscope/evalscope

evalscope 是 ModelScope 官方出品的高效大模型评测框架，支持 LLM、RAG 系统与多模态 VLM 的性能评测与基准测试，提供一站式评估能力。

🎯对 LLM、RAG 系统与多模态 VLM 做性能评测与基准测试

#evaluation#llm#rag#vlm+1

OpenAI Evals

开源⭐ 19k↑+2

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

#LLM 评估#基准测试#OpenAI#评测框架

DeepEval

开源⭐ 17k↑+9

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

#LLM 评估#RAG 评估#幻觉检测#测试框架

OpenCompass

开源⭐ 7.2k↑+2

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

开源⭐ 6.3k↑+1

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

Giskard OSS

开源⭐ 5.7k↑+1

github.com/Giskard-AI/giskard-oss

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

#LLM 评估#红队测试#AI 安全#Agent 评测