H2O EvalGPT

给大模型和 RAG 应用做评测，跑完给你看表现和问题在哪。

🇺🇸美国H2O.ai

工具介绍

EvalGPT 是 H2O.ai 旗下的一套大模型评测工具，主要解决一个问题：你的 AI 应用到底靠不靠谱。它把评估流程做成一个工作台，你可以拿同一批问题去问不同的模型，看它们的回答差在哪儿，也能检查回答是不是踩了原始资料之外的内容。

它更常出现在企业里做上线前的把关——比如一套客服问答或者知识库检索系统，上线前先跑一轮评测，看模型有没有忠实于文档、有没有编造。产品还提供了自定义评估器，如果行业里有自己的判断标准，可以按那套标准来打分，而不是只看通用指标。

面向企业团队居多，个人拿来玩或者做小项目，学习成本和定价门槛都偏高。中文场景的评测题库和模板不算多，做中文项目往往得自己补题目和评分标准，前期准备工作不小。

查公众号、小红书、抖音账号的影响力榜单，也是品牌找号投放的地方。

斯坦福做的模型评测项目，把各家语言模型放到同一批任务上比。

看各家大模型在各类任务上的评测成绩和原始数据。

拿同一套考卷测各家大模型，看它们在各项能力上表现如何。

智源做的模型评测平台，能横向看各家大模型的表现。