大模型评估

面向AI从业者的专业大模型评测平台，提供标准化测试环境与多任务排行榜 不同于泛体验类评测产品，SuperCLUE为AI研究者与开发者提供统一基准的标准化模型测试环境，覆盖数学推理、代码生成、超长文本处理等多类AI能力场景，通过公开排行榜呈现不同模型的能力差异，帮助用户精准评估模型性能，验证迭代效果。

大型语言模型知识编辑领域的综合性多任务基准评估框架 当前知识编辑领域缺乏统一的标准化评估体系，该工具提供综合评估框架，可测试对比不同知识编辑方法在修改特定领域LLM行为时的有效性，同时验证方法对LLM整体性能的影响。该基准包含六类不同数据集，覆盖多种编辑类型，填补了多场景统一评估的空白。

Salesforce推出的大语言模型评估系列，可输出解释避免黑箱问题 SFR-Judge是Salesforce AI Research开发的大语言模型评估模型系列，核心用于加速大型语言模型的评估与微调流程。不同于多数黑箱式的LLM评估工具，该系列模型支持三类常见评估任务，输出评估结果同时提供对应解释，在多个公开基准测试中验证了其评估输出和指导微调的有效性。

x.ai开发的高性能大语言模型，主打长文本理解与复杂推理 Grok-1.5是x.ai开发的新一代大型语言模型，侧重长文本理解、多领域复杂推理能力优化，在数学运算、代码编写、复杂问题解决任务上表现突出。项目配套开放相关数据集、评估框架与部署工具，支持开发者开展大模型训练、评估与二次开发，区别于通用对话大模型，更侧重专业任务能力提升。

专注医疗领域RAG技术的专业基准测试研究平台 Benchmark Medical RAG是面向医疗领域的垂直RAG基准测试平台，不同于通用领域的RAG测试工具，该平台聚焦医疗问答领域的模型性能评估，提供标准化的测试数据集与配套评估工具，供科研人员测试医疗信息检索与生成模型的实际性能，推动医疗大模型与RAG技术在医疗领域的研发。