SWE-bench

中文语言理解测评基准 Chinese Language Understanding Evaluation Benchmark: datasets, baseli

用于语言模型少样本评估的框架。

OpenCompass是一个LLM评估平台，支持100多个数据集上的多种模型（Llama3、Mistral、InternLM2、GPT-4、LLaMa2、Qwe

跨文本、图像、视频和音频任务的一体化多模态评估工具包。