FewCLUE是一个专为中文自然语言处理设计的小样本学习测评基准，提供多种评测任务，支持各种模型和算法的评估，易于扩展和定制，旨在推动中文NLP研究的发展。
LLMEVAL-2 是一款专为评测中文大语言模型性能而设计的工具，支持多种评测指标和方法，提供易用的接口和文档，集成了多种预训练模型，并允许用户自定义评测任务。
Tonic Validate Metrics 是一个开源的评估指标包，旨在为生成模型的输出提供多种评估指标，支持模型性能对比，易于集成到机器学习工作流，并兼容多种数据格式和输入类型。
UltraEval-Audio是一个评估音频大模型的工具，类似于给智能语音助手打分，能够快速、方便地测试其表现，旨在帮助开发者优化和提升语音相关应用的质量。
Non finito是一个专注于多模态模型评估的工具，旨在为用户提供简单易用的平台，以便比较不同模型并公开分享评估结果。与大多数只关注语言模型的工具不同，Non finito强调多模态模型的重要性，确保每个人都能轻松进行模型评估。
AskMore利用人工智能为您进行用户访谈，帮助您更快速、更深入地获取反馈，支持多种语言。只需说明您想要了解的内容，AskMore将提供一个可分享的访谈链接，方便您与用户进行互动。
Haven是一个用于大型语言模型微调和评估的工具，拥有简单的用户界面，可以方便地进行模型微调并基于多种标准进行评估。
AgentBoard是一个多轮LLM智能体的分析评估排行榜，旨在评估大型语言模型的通用Agent能力。它提供全面的性能分析和可视化结果，支持多种模型的比较，帮助用户深入理解智能体在对话中的表现。
Looppanel是一款用户研究平台，通过先进的转录、实时笔记和分析功能，简化用户访谈，提升研究效率，帮助各行业专业人士整理和分析数据。
WorkLog.page 是一款智能的工作日志工具，旨在帮助用户轻松跟踪时间并生成评估所需的总结。通过登录并使用该软件，用户可以高效地记录工作时间，适合自由职业者、远程工作者及项目团队。
关于使用CommonGen-lite数据集对LLM进行评估的研究，使用了GPT-4模型进行评估，比较了不同模型的性能，并列出了排行榜上的模型结果。
AVbeam 是一款音频文件比较工具，能够识别匹配的音频片段。用户可以将多个源音频文件与多个目标音频文件进行比较，AVbeam 会报告所有匹配的音频片段。
JobSynergy是一个基于AI的平台，能够实时进行大规模视频面试，提供超越简历的深度候选人洞察。用户可通过设置自定义问题和指标，进行自动化视频面试，并获取详细的评估报告。
