स्थानीय LLM गुणवत्ता का मूल्यांकन करने के लिए समुदाय बेंचमार्क suites। परिणाम API से सबमिट करें।
OpenAI HumanEval via EleutherAI lm-evaluation-harness task humaneval, 0-shot, pass@k code-generation scoring.
Massive Multitask Language Understanding via EleutherAI lm-evaluation-harness task mmlu, 5-shot, exact-match/accuracy style scoring.
