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
🎯适用场景：LLM 能力评测与基准测试、模型迭代效果验证、AI 安全性评估
📥 收录于 2026/6/1
📊 仓库数据
📈 Stars 变化 ↑2 天 +24· 统计区间 7/14 13:02 → 7/16 16:41（2 天）
✅ 优点
- •OpenAI 官方出品，评测标准权威
- •覆盖多维度评估（推理/安全性/指令遵循等）
- •开源注册表支持社区贡献基准
⚠️ 限制
- •评估需要消耗较多 API 调用成本
- •主要针对 OpenAI 模型生态，其他模型适配有限
- •部分高级评测需要特定数据集授权
🔗 相关工具
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
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
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
Giskard OSS
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
Agenta
github.com/Agenta-AI/agenta
开源 LLMOps 平台，4.1K+ stars。集合 Prompt Playground、Prompt 管理、LLM 评估和可观测性于一体，支持 LLM-as-a-Judge 评估、RAG 评估和多模型对比，是 LLM 应用开发的质量保障基础设施
🎯LLM 应用开发与质量保障
