语义版本化
Benchmark metadata 发布评测版本，使 prompt、映射、数据或评分变化可见。
模型评测
把模型输出转化为可辩护的证据。
通过 benchmark metadata、样本 review、评分契约和保留上下文的报告，评测 LLM、VLM、AIGC 与 RAG 工作负载。
广泛模型覆盖
一个接口覆盖每个评测层。
模型 · 任务 · 数据集 · 指标
LLM语言模型与自定义 benchmark
VLM视觉语言与多模态任务
AIGC文生图与图像编辑
RAG检索与生成质量
从一条数据到可分享的报告。
01Dataset
选定的数据集与版本定义了本次运行能够度量的范围。
经得起审查的评测。
透明 · 可复现 · 可扩展
Judge 契约
结构化 Judge 输出在无效时 fail closed；格式错误的回复不会悄悄转成分数。
可携带产物
预测、review、报告和配置一同保留，支持本地审查和 Dashboard 下钻。