返回工具列表 工具分类智能体与自动化按实际使用场景归类 官网入口flageval.baai.ac.cn保留原站直达链接 收费方式官网可查看最终价格以官网为准 关注人数9A+ 优先推荐 01AI模型评测 02核心能力 02 03核心能力 03 04核心能力 04 05核心能力 05 06核心能力 06 01 02 03 04 05 06
智能体与自动化
FlagEval
FlagEval（天秤）是北京智源人工智能研究院（BAAI）推出的科学、公正、开放的大模型评测体系及开放平台，为研究人员提供全面评估基础模型及训练算法性能的工具和方法。FlagEval采用“能力-任务-指标”三维评测框架，从多个维度对大模型的认知能力进行评估，涵盖对话、问答、情感分析等多种应用场景，提供超过22个数据集和8万道评测题目。
访问官网 更新于 2026/04/15
FlagEval 是什么
FlagEval 是一款面向 智能体与自动化 场景的 AI 工具，智源研究院推出的FlagEval（天秤）大模型评测平台。
FlagEval（天秤）是北京智源人工智能研究院（BAAI）推出的科学、公正、开放的大模型评测体系及开放平台，为研究人员提供全面评估基础模型及训练算法性能的工具和方法。FlagEval采用“能力-任务-指标”三维评测框架，从多个维度对大模型的认知能力进行评估，涵盖对话、问答、情感分析等多种应用场景，提供超过22个数据集和8万道评测题目。平台支持多模态模型评测，覆盖文本、图像、视频等多种数据类型，兼容多种AI框架和硬件架构。FlagEval提供自动化评测机制，支持主观与客观评测的全自动流水线，帮助研究人员高效、准确地了解模型性能，推动大模型技术的发展。 多维度评测框架 ：采用“能力-任务-指标”三维评测框架，从多个维度全面评估大模型的认知能力，涵盖对话、问答、情感分析等多种应用场景。
FlagEval（天秤）是北京智源人工智能研究院（BAAI）推出的科学、公正、开放的大模型评测体系及开放平台，为研究人员提供全面评估基础模型及训练算法性能的工具和方法。FlagEval采用“能力-任务-指标”三维评测框架，从多个维度对大模型的认知能力进行评估，涵盖对话、问答、情感分析等多种应用场景，提供超过22个数据集和8万道评测题目。
主要能力
多维度评测框架
丰富的评测数据集
多模态支持
自动化评测机制
广泛的模型覆盖
排行榜与结果展示
适合场景
对话
FlagEval 可用于对话，适合先用一个真实任务验证输出质量。
问答
FlagEval 可用于问答，适合先用一个真实任务验证输出质量。
情感分析等多种应用场景
FlagEval 可用于情感分析等多种应用场景，适合先用一个真实任务验证输出质量。
图像
FlagEval 可用于图像，适合先用一个真实任务验证输出质量。
视频等多种数据类型
FlagEval 可用于视频等多种数据类型，适合先用一个真实任务验证输出质量。
自动化评测机制
FlagEval 可用于自动化评测机制，适合先用一个真实任务验证输出质量。