评估

用于衡量 Dart 和 Flutter 开发工作流中 AI 工具可靠性的评估框架。

LangWatch Cloud 是一个托管的 LLM 可观测性、评估和代理监控平台，采用基于使用量的定价。

AI 编码代理在 Nuxt 代码生成任务上的基准结果，衡量成功率和执行时间。

Traceloop提供两种部署模式：混合部署和完全自托管，用于生成式AI应用工作流。

交互式电子表格，用于组织数据、试验LLM和评估输出。

面向LLM应用和代理的可观测性与评估平台。

Weave 是一个用于跟踪和评估 LLM 应用程序的工具包，提供 Model 和 Evaluation 类。

用于追踪、评估和改进 LLM 与智能体应用的 Python 和 TypeScript 库。