lm-evaluation-harness

这是一个是用于评估大型语言模型的框架，能够测试模型在多种任务中的表现。它提供了超过 60 个学术基准测试，支持多种模型框架、本地模型、云服务（如 OpenAI）、硬件加速，以及自定义任务等功能。