评测多模态智能体用代码生成视频的能力,覆盖内容逻辑、画面与音画同步等维度。
开源的大模型评测工具,用统一指标横向对比不同模型、提示词与超参数的效果。
企业级大模型可观测性平台,评估幻觉、毒性与隐私泄露,覆盖上线前后全流程。
苏黎世联邦理工学院出品的移动端AI性能评测,覆盖手机芯片的推理速度与精度。
提供幻觉检测与裁判模型的企业级大模型评测平台,支持在线监控与实验对比。
只收未饱和的前沿基准,对比各家旗舰模型的推理、代码与智能体成绩。
自研多项实战基准,按任务场景给模型打分并排名,可按需选型参考。
面向大语言模型应用的全栈评测平台,提供二十余项预置指标与回归测试及根因分析。
面向智能体的开源评测与追踪工具,可按步骤打分并解释低分原因,支持自定义指标。
面向智能体团队的可观测与评测平台,支持用仿真测试替代手工测试并追踪线上表现。
面向智能体的测试与红队平台,通过对抗测试发现幻觉、注入与信息泄露等风险。
专注评测科学与工程的国际开放组织,发布基准方法与研究成果并举办年度学术会议。



