I
IFEval
AI模型评测
Google的可验证指令遵循评测，减少主观裁判误差
开源
英文
直达官网
搜索 基准
找到 5 个相关工具
找到 5 个相关工具
Google的可验证指令遵循评测，减少主观裁判误差
多轮问题加LLM裁判，评估对话与指令遵循能力
MMLU以大规模多任务语言理解测试著称，覆盖数十个学科，是英文模型能力的重要标尺。
智源FlagEval（天秤）平台从多个维度评测模型，兼顾客观任务与开放问题。
复旦大学NLP实验室推出的LLMEval3，针对中文大模型能力设计评测任务与榜单。