大模型评估套件

在60多个学术基准（如MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag）上评估大语言模型。适用于模型质量基准测试、模型比较、学术结果报告或训练进度跟踪。EleutherAI、HuggingFace及主要实验室采用的行业标准，支持HuggingFace、vLLM和API。