一句话面向AI评估研究的社区项目，聚焦评估科学、基准测试、评估文档化与开源评测基础设施。
定价免费/社区参与 网站未显示商业定价；页面主要提供研究项目、博客出版物、活动与社区参与入口。
适合谁AI评估研究者、模型开发者、AI治理与安全从业者、学术机构、学生、希望使用或改进LM Evaluation Harness等评测工具的实践者
核心功能Benchmark Saturation：研究AI基准随时间变化的复杂性与行为Evaluation Cards：为AI模型评估建立结构化文档方法Evaluation Harness and Tutorials：降低LM Evaluation Harness的使用门槛Every Eval Ever：基于共享元数据模式统一评估结果的开源基础设施发布AI评估相关研究博客、论文与活动信息组织AI评估相关研讨会、教程和社区活动
AI能力与模型页面未描述其本身提供生成式AI模型或推理能力；重点是AI模型评估研究、评估基准、评估文档和评测基础设施。
典型用例用于研究AI benchmark随时间的饱和与复杂性、创建evaluation cards记录模型评估、学习并使用LM Evaluation Harness、通过Every Eval Ever统一评估结果元数据。
免费额度/试用未提到免费额度或试用；社区项目页面显示可通过邮件加入社区。
定价未披露商业定价；从页面看更像研究社区与开源基础设施项目，而非SaaS订阅产品。
中文支持页面正文为英文，未提到中文界面、中文文档或中文社区支持。
API与集成未披露API；提到与LM Evaluation Harness相关教程，以及Every Eval Ever作为共享元数据模式下统一评估结果的开源基础设施。
数据隐私页面未提供数据隐私、数据处理、托管位置或合规说明。
输出质量与局限其价值在于提升评估报告的结构化、可复现性和基准设计质量；局限是页面未显示可直接使用的线上评测产品、自动化能力、覆盖模型范围或实际效果指标。
中国访问未知
适用场景AI模型评估研究、基准测试设计、评测结果元数据标准化、评估报告文档化、LM Evaluation Harness教学与上手、学术研讨与社区协作
同类EleutherAI LM Evaluation Harness、HELM、OpenCompass、Hugging Face Evaluate、Weights & Biases Weave/Evals、DeepEval