搜索结果：evaluation-framework（3 个）
按分类缩小范围
promptfoo
综合 80
用于测试 Prompt、Agent 与 RAG 的 AI 红队渗透测试工具，可对比 GPT、Claude、DeepSeek 等模型性能。
deepeval
综合 70
专为大语言模型打造的 LLM 测试与评估框架。
lm-evaluation-harness
综合 52
用于语言模型少样本（few-shot）评估的测试框架。