大模型基准测试

EdgeBench：字节开源的长时序AI智能体评测基准，支持12小时迭代闭环打分

EdgeBench是字节跳动Seed开源的长周期AI智能体评测基准，配套SForge双容器隔离评测引擎，支持12小时迭代式测试，包含134项真实工业任务，用于大模型、自主智能体能力标准化...

One-Eval：开源大模型智能评测框架，自然语言驱动全自动基准测评

One-Eval 是由北大 OpenDCAI 团队开源打造的大语言模型一站式智能评测框架，基于智能工作流与 Agent 思想设计，主打自然语言驱动自动化评测核心能力。