FLASK是一个专门用于评估语言模型在语法、语义、推理和生成等任务上表现的工具，旨在提供更准确的评估结果，揭示模型的强项和弱点，并指导语言模型的进一步发展。
TaxEval 是一个专注于税务领域的语言模型评估工具，支持多种评估指标并提供详细的评估报告，便于集成到现有的税务应用中。
Planetarium是一个用于评估大型语言模型将自然语言描述的规划问题转换为PDDL的基准测试工具，具备图同构的比较方法，旨在帮助研究人员分析和提升模型的性能。
用于LLM360评估和分析的代码库，包含了多种评估指标和分析方法，旨在帮助用户全面理解和优化模型表现。
InstructScore (SEScore3) 是用于文本生成评估的首个解释性指标，提供全面的评估和诊断报告，帮助识别模型的优缺点，支持多种文本生成任务，并能比较不同模型的输出。
Thermostat是一个集合，提供多种自然语言处理(NLP)模型的解释及其分析工具，帮助用户深入理解模型的决策过程及性能评估。
该项目旨在评估中文空间语义理解的能力，提供基准数据集和评测工具，帮助研究人员和开发者了解和提升模型在空间语义任务上的表现。
一个关于法律自然语言处理的研究工作集，包含相关的资源和工具，旨在促进法律领域的NLP研究与应用。
Wale IDE是一个提供直观界面的平台，支持用户导入数据或创建新数据集，调节参数以优化提示，并查看提示执行历史。
science4cast是一个专注于利用机器学习和人工智能技术预测科学研究趋势的项目。
Awesome Deep Graph Clustering 是一套最新的深度图聚类方法的集合，包括论文、代码和数据集。
一个开放的生物医学图像-标题档案库、数据集和从科学文献中衍生的视觉-语言模型，旨在帮助研究人员更好地理解和利用生物医学图像及相关文献信息
