评测实验室

接入模型接口，配置评测基准，批量自动化测试，由裁判交叉评分，并生成结果分析与报告。

在同一套标准下，亲手评测你的模型

评测实验室把排行榜背后的整套流程交到你手上：接入模型、选择评测基准、批量运行、裁判交叉评分，最后得到分维度的结果与完整记录。每次运行都使用固定版本的评测协议，结果可以直接与排行榜对照。

工作流程

五个步骤，全部在平台上完成；每一步的输入、输出与费用都会被记录下来。

添加待测模型的接口，或通过 OpenRouter 选择模型与固定服务商。

选择评测基准与运行规模（完整评测或抽样），评测标准按基准固定、带版本号。

批量运行全部场景与样本，实时查看进度、对话与费用。

多位裁判模型独立评分，保留逐段评分与失误记录。

分维度得分、置信区间与模型对比；符合上榜条件的运行进入排行榜。

完整记录

运行开始时的评测协议、提示词、裁判配置与价格一并保存，之后的改动不影响已完成的结果。

每段对话、每条回复和裁判的逐段评分与失误记录都可以打开查看。

记录被测模型与裁判的令牌用量和费用，运行前可预估，运行中可追踪。

目前采用邀请制：已有注册码可直接登录，还没有账户可提交注册申请。公开的排行榜、模型成绩与研究内容无需登录即可查看。