WorFBench — это комплексный open-source-фреймворк, предназначенный для оценки возможностей агентов ИИ, построенных на больших языковых моделях. Он предлагает широкий спектр задач — от планирования маршрутов до рабочих процессов генерации кода, — каждая с четко определенными целями и метриками оценки. Пользователи могут настраивать стратегии агентов, интегрировать внешние инструменты через стандартизированные API и запускать автоматические оценки, записывая показатели по разложению задач, глубине планирования, точности вызова инструментов и качеству конечного вывода. Встроенные панели визуализации позволяют отслеживать путь принятия решений каждого агента, что облегчает выявление сильных и слабых сторон. Модульная архитектура WorFBench позволяет быстро расширять функциональность новыми задачами или моделями, способствуя воспроизводимости исследований и сравнительным исследованиям.

llm-tournament обеспечивает модульный и расширяемый подход к оценки больших языковых моделей. Пользователи задают участников (LLMs), настраивают структуру турнира, определяют подсказки и логику оценки, запускают автоматические раунды. Результаты собираются в таблицы лидеров и визуализации, что помогает принимать решения при выборе и донастройке моделей. Фреймворк поддерживает пользовательские задачи, метрики оценки и пакетное выполнение как в облаке, так и локально.