LRAGE（Legal RAG Evaluation Toolkit）是一个开源的评估框架，专门用于在法律领域的检索增强生成（RAG）任务中评估大语言模型（LLM）的性能。该工具包集成了多种数据集和评估工具，为研究人员提供了一个全面的平台...

Meta旗下Facebook Research团队推出的ZeroSumEval Benchmark在GitHub开源，这一动态评估框架通过竞争性多智能体模拟，为大语言模型（LLM）在推理、知识储备和规划任务等核心能力维度建立了全新测试范式。该框架创新...

近日，知名开源社区Hugging Face对其HELMET基准测试进行了重要升级。这一更新不仅扩展了测试覆盖的模型范围，还提供了更深入的性能洞察，特别针对当前热门的Phi-4和Jamba 1.6等长上下文大语言模型（LLM）。HELMET基...