技术
evals（模型评估）
evals是评估AI模型性能的标准化流程，通过设计任务和指标来量化模型在语言理解、推理、安全等方面的能力，解决模型比较和选型问题。典型应用包括GLUE、SuperGLUE、HELM等基准测试，以及OpenAI Evals等开源框架。
详细解释
随着大语言模型发展，传统准确率等指标不足以全面评估模型能力，evals应运而生。它涵盖数据集构建、指标定义、评估协议等，可分为自动评估和人工评估。自动评估常用准确率、BLEU、ROUGE等，人工评估则关注流畅性、相关性等。evals帮助研究者追踪进展、识别偏见，并指导模型改进。
别名与相关写法
evals
相关术语
相关公司
相关资讯
Anthropic 切断内部评估联网以控制 AI 智能体2026/10/10
Anthropic为Claude Code加入插件评测2026/9/12
ParetoOps 为 LLM 评测设置「每成功任务成本」CI 门禁2026/10/19
Tessary 开源 AI 智能体可靠性监控平台2026/10/10
Hex 用评估将 AI 功能错误率降低 7 倍2026/10/9
你的 AI 评测是否在衡量正确的东西2026/10/5
AI评估（Evals）完全指南2026/9/24
AI工程师笔记本：Colab上的RAG与代理2026/8/28