evaluating-llms-harness

在60多个学术基准（MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag）上评估LLM。适用于基准测试模型质量、比较模型、报告学术结果或跟踪训练进度。被EleutherAI、HuggingFace和主要实验室使用的行业标准。支持HuggingFace、vLLM、API。