Todas las etiquetas
Etiqueta del catálogo

#llm-eval

Todos los repositorios del registro público que llevan esta etiqueta, procedente de sus topics de GitHub o de las palabras clave que publican sus registros de paquetes. La salud se mide con la misma metodología versionada que el resto del registro.

9 registros
Con la etiqueta «llm-eval»Ordenado por índice de salud
PyPI · npm
100Excepcionalíndice de salud
Arize-ai/phoenix
AI Observability & Evaluation
Python · TypeScript★ 11.2K28 ago 2026
Licencia propia28 ago 2026 · métricas 2.10.0
PyPI
97Excepcionalíndice de salud
Giskard-AI/giskard-oss
🐢 Open-Source Evaluation & Testing library for LLM Agents
Python★ 577528 ago 2026
Apache-2.028 ago 2026 · métricas 2.10.0
npm
96Excepcionalíndice de salud
promptfoo/promptfoo
Test your prompts, agents, and RAGs. Red teaming/pentesting/vulnerability scanning for AI. Compare performance of GPT, Claude, Gemini, DeepSeek, and more. Simple declarative configs with command line and CI/CD integration. Used by OpenAI and Anthropic.
TypeScript★ 23.9K↓ 2.1M/mes5 ago 2026
MIT5 ago 2026 · métricas 2.10.0
PyPI
90Excelenteíndice de salud
truera/trulens
Evaluation and Tracking for LLM Experiments and AI Agents
Python★ 34876 ago 2026
MIT6 ago 2026 · métricas 2.10.0
PyPI · npm
89Excelenteíndice de salud
UiPath/coder_eval
Test that your Claude Code skills, MCP servers, and CLIs actually work when an agent uses them — sandboxed YAML suites, activation checks, A/B experiments, CI gates.
Python · TypeScript★ 116↓ 13.9K/mes19 ago 2026
Apache-2.019 ago 2026 · métricas 2.10.0
PyPI
78Buenoíndice de salud
attenlabs/hotato
Find what broke in your agent calls. Pin it so it never ships again. Local voice-agent call forensics and regression guards.
Python★ 1↓ 1680/mes22 ago 2026
MIT22 ago 2026 · métricas 2.10.0
Go
69Buenoíndice de salud
lehigh-university-libraries/htr
Handwritten Text Recognition llm eval tool
Go★ 23 ago 2026
Apache-2.03 ago 2026 · métricas 2.10.0
RubyGems
67Buenoíndice de salud
homemade-software-inc/completion-kit
Your prompts need tests too. Run prompts against real datasets, score outputs with LLM judges, version everything, and compare runs to see what got better.
Ruby · HTML★ 117 jul 2026
Licencia propia17 jul 2026 · métricas 2.10.0
Go · npm
60Moderadoíndice de salud
valbaudo/awf
Run agents you don't babysit, and trust the result. awf runs agentic workflows with independent gates that check every step and resumes after crashes.
Go★ 122 jul 2026
Apache-2.022 jul 2026 · métricas 2.10.0