BIG-Bench是一个用于评估神经网络模型性能的基准测量工具，旨在提供全面的评估方法，通过多个任务和指标来衡量AI模型的能力。
UnrealZoo 是一个基于 Unreal Engine 的大规模照片级虚拟世界集合，旨在为具身AI提供仿真环境，具备高质量的图形渲染和多样化的场景。
BenchLLM是一个免费的开源工具，旨在简化对大型语言模型（LLMs）、聊天机器人和其他人工智能应用的测试过程。用户可以实时测试数百个提示和响应，自动化评估并基准测试模型，以构建更好和更安全的AI。
llama4micro是一个在单片机上运行的LLaMA模型，专为资源受限的环境设计，支持15M参数模型，内存占用约60MB，能够以每秒约2.5个token的速度生成文本，特别适合生成小故事，优化用于单片机平台。
AgentBench是一个多维演进基准，评估语言模型作为Agent的能力，包含8个不同环境，专注于LLM在多轮开放式生成场景中的推理和决策能力。
Substratus.AI是一个专注于大规模语言模型（LLMs）的平台，旨在以极简的方式实现机器学习模型的部署和微调。用户可以在几分钟内安装所需的ML平台，并通过单个命令轻松运行和微调最先进的LLMs。
Gemini是CMU的Graham Neubig教授团队开发的模型，经过与GPT-3.5-Turbo和Mixtrial的公平深入比较，显示出与GPT-3.5-Turbo相当的性能，尽管存在微弱的差距。该项目致力于提供可复制的研究结果，推动自然语言处理领域的进步。
SuperCLUE是一个针对中文大模型的综合性基准测试平台，提供标准化的评估指标和多任务测试能力，旨在帮助研究者评估和比较中文大模型的性能。
Bias-Bench是一个实证调查，旨在评估针对预训练语言模型的去偏见技术的有效性。它通过比较不同的去偏见方法，帮助研究人员理解这些技术在模型训练中的作用。该项目为研究人员提供了一个标准化的平台，以便对去偏见技术进行基准测试和性能评估。
基于互信息的广义类别发现，旨在通过最大化互信息来解决广义范畴发现问题。该项目探索参数损失函数族，以评估特征和标签之间的互信息，并自动寻找最大化预测性能的损失函数。引入肘部最大质心移位(Emacs)技术，可以估计未标记集合中的类数，并在多个GCD场景下展现出通用性和竞争力，尤其在处理细粒度分类问题时表现出显著优势。
一个用于评估稀疏自编码器（SAE）模型性能的工具，提供了8种不同的评估方法，帮助研究人员和开发者更好地理解和优化SAE模型。
