2026 最佳大语言模型评测工具

发现大语言模型评测工具、基准测试与平台,衡量模型质量、对比输出、识别风险并持续改进 AI 应用。

AI 基础设施

探索此分类集合

产品

Agnost AI preview
Agnost AI logo

Agnost AI

AI 可观测性

Agnost AI monitors AI agents in production by analyzing conversations, traces, user corrections, and frustration. It helps teams identify recurring failures, review suggested prompt fixes, and apply approved changes with replay-based regression coverage.

免费及付费方案
Adaline preview
Adaline logo

Adaline

AI 可观测性

Adaline 面向产品和工程团队,分析 AI 智能体的生产日志与追踪数据,发现重复行为并生成评估、测试数据集和提示词改进建议。

FastRouter.ai preview
FastRouter.ai logo

FastRouter.ai

AI 网关与路由

兼容 OpenAI 的网关,用于路由、评估和治理 200 多种 AI 模型的访问。

免费及付费方案
Sourcebae preview
Sourcebae logo

Sourcebae

AI 招聘助手

Sourcebae为AI团队匹配领域专家,并提供训练数据制作、人工反馈、模型评估及质量进度看板。专家可参与标注、偏好数据生成和红队测试项目。

付费
Klavis AI preview
Klavis AI logo

Klavis AI

AI 智能体基础设施

Klavis AI 提供用于训练和评估 AI 智能体的实时环境,支持编程数据和工具使用数据。

免费及付费方案
Hamming AI preview
Hamming AI logo

Hamming AI

AI 可观测性

Hamming AI 为开发语音与聊天智能体的团队提供自动化测试、红队测试和生产环境监控,帮助团队在上线前评估智能体行为,排查真实对话中的故障,并将其转化为后续版本的回归测试。

免费及付费方案
MCPJam preview
MCPJam logo

MCPJam

AI 测试助手

MCPJam 是用于测试和评估 MCP 服务器的平台,支持本地检查、用户与模型测试,以及 CI/CD 行为检查。

免费及付费方案
Dynamo AI preview
Dynamo AI logo

Dynamo AI

AI 可观测性

为生成式 AI 和智能体 AI 提供企业级评估、安全防护、监控与治理控制。

TruLens preview
TruLens logo

TruLens

AI 智能体基础设施

TruLens 是一个用于追踪和评估 AI 智能体及其他 LLM 应用的开源库,帮助团队检查智能体步骤、使用可配置指标评估质量,并通过基于 OpenTelemetry 的埋点对比应用版本。

免费及付费方案
TensorZero preview
TensorZero logo

TensorZero

AI 网关与路由

开源 LLMOps 平台,用于构建和运营生产级大语言模型应用,涵盖网关、可观测性、评估、优化与实验;现已停止维护。

免费及付费方案
iFixAi preview
iFixAi logo

iFixAi

大语言模型评测

iFixAi 独立审计 AI 代理,评估其是否完成指定工作,同时遵守权限、审批流程、组织边界和证据要求。适用于需要超越传统基准测试检查代理的团队。

免费及付费方案
OverallGPT preview
OverallGPT logo

OverallGPT

大语言模型评测

向 OverallGPT 输入一个问题,即可并排查看多个 AI 模型的回答,比较它们的措辞、解释与思路。还可通过 Overall Answer 功能,将各个模型的回答整合为一个综合答案。

免费及付费方案
Jev State preview
Jev State logo

Jev State

AI 智能体构建工具

Jev State 是一个用于定义、测试和回归检查由 Jev 驱动的对话决策的工作空间,帮助团队了解智能体为何采取某一步骤,并导出可运行的 TypeScript 代码和测试。

免费及付费方案
inferock-bench preview
inferock-bench logo

inferock-bench

AI 网关与路由

本地诊断代理,用于追踪 LLM API 用量、供应商报告的费用、调用失败及计费完整性信号

免费及付费方案
Oqoqo preview
Oqoqo logo

Oqoqo

大语言模型评测

用于在真实且隔离的环境中运行可重复智能体实验的评估平台,帮助团队构建私有基准、比较智能体与模型,并分析工作流成败原因。

免费及付费方案
ComputeArena preview
ComputeArena logo

ComputeArena

大语言模型评测

ComputeArena 是一个社区基准测试目录,用于衡量本地 AI 模型在不同芯片、量化方式和运行时上的吞吐量,支持离线测试、签名报告查看与性能对比。

免费及付费方案
fez preview
fez logo

fez

AI 网关与路由

Fez 是一个实验性决策模型平台,将工作流上下文转化为概率,用于模型路由、工具选择、升级处理和支持分流,帮助团队训练与评估专用模型。

免费及付费方案
QAgent preview
QAgent logo

QAgent

AI 测试助手

面向开发者和敏捷团队的 AI 智能体测试与质量保障平台,可通过 Webhook 或端点连接智能体,运行自动化测试用例,并评估响应的事实依据、政策遵循、提示词合规性及相关质量维度。

免费及付费方案
ALIA preview
ALIA logo

ALIA

AI 模型平台

ALIA 是专注于非洲语言、文化和知识的人工智能数据基础设施,支持组织收集、标注、验证和评估用于模型训练与评估的数据。

免费及付费方案
NovaSynth preview
NovaSynth logo

NovaSynth

AI 测试助手

面向 AI 智能体的预生产测试平台,通过合成用户模拟真实 SIP 电话、LiveKit 音频和聊天交互,帮助团队演练多轮对话、发现问题并在发布前验证修复。

免费及付费方案