100以上のベンチマーク(MMLU、HumanEval、GSM8K、安全性、VLM)を18以上のハーネスから評価し、マルチバックエンド実行に対応。スケーラブルな評価が必要な場合に使用。
npx skills add https://github.com/firecrawl/ai-research-skills --skill nemo-evaluator-sdk