evaluating-llms-harness
द्वारा firecrawl
60+ शैक्षणिक बेंचमार्क (MMLU, HumanEval, GSM8K, TruthfulQA, HellaSwag) पर LLMs का मूल्यांकन करता है। मॉडल गुणवत्ता बेंचमार्किंग, मॉडलों की तुलना, रिपोर्टिंग करते समय उपयोग करें…
npx skills add https://github.com/firecrawl/ai-research-skills --skill evaluating-llms-harness