关键词 "evals" 的搜索结果， 共 5 条, 只显示前 480 条
Create gpt4 based chatbots by combining different chat completions and document retrievals.
Streamline prompt evaluation for AI models.
MCP for Root Signals Evaluation Platform
A Node.js package and GitHub Action for evaluating MCP (Model Context Protocol) tool implementations using LLM-based scoring. This helps ensure your MCP server's tools are working correctly and perfor
HealthBench是OpenAI推出的开源医疗测试基准，用在评估大型语言模型（LLMs）在医疗保健领域的表现和安全性。HealthBench包含5000个模型与用户或医疗专业人员之间的多轮对话，用262名医生创建的对话特定评分标准进行评估。对话覆盖多种健康情境（如紧急情况、临床数据转换、全球健康）和行为维度（如准确性、指令遵循、沟通）。HealthBench能衡量模型的整体表现，按主题（如紧急
只显示前20页数据，更多请搜索
