模型评测与基准

MLflow 是面向 Agent、LLM 和 ML 模型的开源 AI 工程平台，帮助各规模团队调试、评估、监控并优化生产级 AI 应用。

专为大模型开发，PromptPilot为你提供更精准，专业，可持续迭代提示词！ PromptPilot 是一款面向大模型应用的全链路优化平台，覆盖大模型开发从构想、开发部署到迭代优化的全过程。平台提供从创意落地的 Prompt 生成，到基于用户意图与评测数据的智能调优能力，确保大模型输出更贴合真实业务需求。通过 API 接入，用户可低成本获取高质量的实时反馈数据，自动优化 Prompt，构建AI应用与真实数据间的反馈闭环。

中文AI基准测试平台，提供多维度模型能力评估与排行榜，帮助开发者对比选择合适的大语言模型。

HELM（语言模型整体评估）是语言模型透明度的活态基准，覆盖广泛、承认不完整性，采用多指标测量与标准化方案。

MagicArena 是国内首家视觉大模型公开对战平台。免费一站式对比不同模型的生成效果，覆盖图片生成、视频的所有头部模型，Midjourney、FLUX、可灵、海螺、即梦等应有尽有，参与对战即可获得自己的专属大模型排行榜，快来体验吧！

CRFM 开发的用于全面评估语言模型的基准测试框架

【分类：模型、提示词与学习资源】AGI-Eval评测社区主要用于查找、使用或管理大模型资源，适合需要模型、提示词和学习资源能力的用户使用。

MMBench 是一个多模态模型评测基准，覆盖20+能力维度，用于客观对比和评估视觉语言模型的综合表现。

面向终端复杂任务的 LLM 基准测试平台

Evidently AI 助你确保 AI 生产就绪，可测试 LLM 并监控 AI 应用、RAG 系统与多智能体工作流的性能，开源可用。

MMLU提供覆盖57个学科的多任务语言理解基准测试，用于评估和对比大模型在广泛知识领域的综合表现，是衡量模型泛化能力的重要参考标准。

FlagEval大模型评测平台，提供多维度能力基准测试与榜单对比，辅助模型选型与迭代优化。

【分类：模型、提示词与学习资源】LMArena是一款面向模型、提示词和学习资源场景的 AI 工具，可帮助用户评估模型能力并对比测试结果。

AI Ping 是面向大模型使用者，提供全面、客观、真实的大模型服务评测与信息汇总平台。提供长周期、高频率、多时段评测数据,助力您高效完成大模型服务的选型与服务商评估。

评测榜单旨在为大语言模型和多模态模型提供全面、客观且中立的得分与排名，同时提供多能力维度的评分参考，以便用户能够更全面地了解大模型的能力水平。

Revalvo 是一个 AI 提示词统一执行与评分平台，支持在多个大模型上同时运行同一提示词，自动评分并对比版本，帮助用户快速找到最优模型与提示词方案。