5 月 27 日消息，科技媒體 The Decoder 昨日（5 月 26 日）發(fā)布博文，報道稱谷歌推出開源框架 LMEval，為大語言模型和多模態(tài)模型提供標準化的評測工具。

評測新型 AI 模型一直是個難題。不同供應(yīng)商使用各自的 API、數(shù)據(jù)格式和基準設(shè)置，導(dǎo)致跨模型比較耗時且復(fù)雜。

而谷歌最新推出的 LMEval 開源框架直擊這一痛點，研究人員和開發(fā)者只需設(shè)置一次基準，就能展開標準化的評測流程，大幅簡化了評測工作，節(jié)省了時間和資源。

LMEval 還通過 LiteLLM 框架抹平了 Google、OpenAI、Anthropic、Ollama 和 Hugging Face 等平臺之間的接口差異，確保測試跨平臺無縫運行。

LMEval 不僅支持文本評測，還涵蓋圖像和代碼等領(lǐng)域的基準測試，且新輸入格式可輕松擴展，框架支持是非題、多選題和自由文本生成等多種評估類型。同時，該框架能識別模型采用的“規(guī)避策略”，即故意給出模糊回答以避免生成有風(fēng)險內(nèi)容。

Google 還引入了 Giskard 安全評分，展示模型規(guī)避有害內(nèi)容的表現(xiàn)，百分比越高代表安全性越強。測試結(jié)果存儲在自加密的 SQLite 數(shù)據(jù)庫中，確保數(shù)據(jù)本地化且不會被搜索引擎索引，兼顧了隱私與便捷。

LMEval 具備增量評估功能，無需在新增模型或問題時重新運行整個測試，僅執(zhí)行必要的新增測試即可，并采用多線程引擎并行處理多項計算，有效降低了計算成本和時間消耗。

谷歌還開發(fā)了 LMEvalboard 可視化工具，通過雷達圖展示模型在不同類別中的表現(xiàn)。用戶可深入查看具體任務(wù)，精準定位模型錯誤，并直接比較多個模型在特定問題上的差異，圖形化展示一目了然。