Math-Verify是一个强大的数学表达式评估系统，专为评估大型语言模型在数学任务中的输出而设计。它能更准确地评估模型的表现，避免因格式或解析问题导致的误判。

Graduate-Level Google-Proof Q&A Benchmark，是一个评估大型语言模型和可扩展监督机制能力的高难度数据集，包含448道选择题，旨在测试专家的准确率。

Confabulations是一个针对检索增强型生成模型（RAG）的基准测试，旨在评估大型语言模型在面对基于文档的误导性问题时的能力，并提供工具以减少生成虚构答案的能力。

JailbreakBench 是一个开源的鲁棒性基准，旨在评估对大型语言模型(LLM)进行大规模越狱的进展，提供丰富的数据集和评估工具，以支持研究人员和开发者在这个领域的探索。

Open-LLM-Leaderboard是一个用于追踪各种大型语言模型（LLMs）在开放式问题上的表现的基准测试平台，旨在反映模型的真实能力，并通过开放社区促进共同进步。

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。