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。
Prompt Llama是一个用于收集高质量文本到图像的提示，并测试不同模型在相同提示下的表现的平台。它为用户提供了一种便捷的方法，以获取和比较各种生成模型的效果，帮助创作者优化他们的提示语和生成结果。
Dropbox LLM Security研究代码和结果，主要用于展示攻击大型语言模型的技术，特别是针对文本提示注入的攻击。该项目提供了相关的研究代码和结果，使研究人员能深入分析大型语言模型的安全性，并测试不同攻击方法的效果。
一套评估大语言模型AI研发能力的任务集合，包含7个具有挑战性的任务，涵盖Rust代码编程、GPT-2微调、嵌入修复、LLM训练优化、GPU内核优化等领域，每个任务都有明确的评分标准和基准分数，用于测试AI代理与人类专家的能力对比
SGLang是针对LLM推理的下一代界面和运行时环境，通过协同设计前端语言和后端运行时，极大改进了复杂LLM程序的执行和编程效率。
