FlagEval（天秤）是智源研究院的大模型评测平台：能力-任务-指标框架、22 个数据集 8 万道题目、多模态评测与自动化评测引擎，客观对比模型性能。
学习内容
配套工具：FlagEval FlagEval（天秤）是由智源研究院推出的大语言模型评测平台，基于“能力-任务-指标”框架，提供多模态与自动化的模型性能评估服务。FlagEval（天秤）是由智源研究院推出的大语言模型评测平台，基于「能力-任务-指标」三维框架构建，提供多模态与自动化的模型性能评估服务。平台整合数十个高质量数据集与海量测试题目，用户提交模型后系统通过自动化评测引擎对文本、图像等多种模态任务进行深度解析与打分。
核心价值：建立标准化评测基准，支持不同模型横向对比——为企业技术选型和学术研究提供客观数据支撑。
第一步：访问平台
访问 flageval.baai.ac.cn 进入评测平台，了解模型排行榜与评测体系。
第二步：了解评测框架
基于「能力-任务-指标」体系，理解大模型各项基础与专业能力的拆解方式。
第三步：提交模型评测
上传模型接入信息，系统通过自动化评测引擎启动测试，覆盖 22 个数据集与 8 万道精选题目。
第四步：多模态测试
提交图文理解等跨模态任务测试，获取模型在复杂现实场景下的综合表现报告。
第五步：查看评测报告
获得多维度的性能评估报告，直观展示模型各项能力边界。
第六步：横向对比选型
利用标准化评测基准对比多个候选模型，辅助技术选型。
具体计费模式与服务额度以官网当前公示为准。
Q：评测结果权威吗？ A：智源研究院出品，基于标准化题库与自动化引擎，是国产大模型评测的重要基准。
Q：能测多模态模型吗？ A：支持——不仅限纯文本，还支持图像等多种模态交叉任务评估。
Q：适合企业选型吗？ A：非常适合——客观数据支撑技术选型，对比多个候选模型的业务处理能力。
FlagEval 是「大模型的考试院」：标准化题库、自动化评测、多模态覆盖、横向对比一条龙。学术研究者、模型开发者与企业决策者做模型评估与选型，它能提供客观、可复现的性能基准。
继续学习
Metaphor（现名Exa）是一款基于大语言模型的语义搜索引擎，通过深度理解查询意图超越传统关键词匹配，为开发者和研究人员提供高质量、结构化的数据检索服务。本文介绍核心能力、上手流程与使用建议。
AlphaSense是面向金融与商业领域的AI搜索平台，整合海量研报、财报及专家访谈数据，支持句级引用与PPT/Excel即时生成。本文讲解从检索到交付的完整流程。
Microsoft Copilot是微软推出的网页版智能助手，深度集成微软生态，通过自然语言交互辅助文档编写、代码生成与数据分析，提升桌面端办公与创作效率。本文介绍核心能力、上手流程与使用建议。
HitPaw是一套涵盖视频、图像与音频的AI多媒体处理工具，面向创作者提供画质修复、格式转换及多语言配音服务。本文介绍核心能力、上手流程与使用建议。
Pictory是基于AI的视频自动化创作平台，致力于将文本、博客和长视频快速转化为高质量短视频，大幅提升内容生产效率。本文介绍核心能力、上手流程与使用建议。
公文宝是党政机关公文写作AI工具，本文讲解通知、报告、请示等公文一键生成。
