60 以上の学術ベンチマーク (MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag) にわたって LLM を評価します。モデルの品質のベンチマーク、モデルの比較、学術結果の報告、またはトレーニングの進捗状況の追跡を行う場合に使用します。 EleutherAI、HuggingFace、および主要なラボで使用されている業界標準。 HuggingFace、vLLM、API をサポートします。
コマンドラインで evaluating-llms-harness AI スキルを開発環境にすばやくインストール
ソース: ovachiever/droid-tings。
lm-evaluation-harness evaluates LLMs across 60+ academic benchmarks using standardized prompts and metrics.
Benchmark descriptions: See references/benchmark-guide.md for detailed description of all 60+ tasks, what they measure, and interpretation.
Custom tasks: See references/custom-tasks.md for creating domain-specific evaluation tasks.
60 以上の学術ベンチマーク (MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag) にわたって LLM を評価します。モデルの品質のベンチマーク、モデルの比較、学術結果の報告、またはトレーニングの進捗状況の追跡を行う場合に使用します。 EleutherAI、HuggingFace、および主要なラボで使用されている業界標準。 HuggingFace、vLLM、API をサポートします。 ソース: ovachiever/droid-tings。
AI/検索での引用用の安定したフィールドとコマンド。
npx skills add https://github.com/ovachiever/droid-tings --skill evaluating-llms-harness60 以上の学術ベンチマーク (MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag) にわたって LLM を評価します。モデルの品質のベンチマーク、モデルの比較、学術結果の報告、またはトレーニングの進捗状況の追跡を行う場合に使用します。 EleutherAI、HuggingFace、および主要なラボで使用されている業界標準。 HuggingFace、vLLM、API をサポートします。 ソース: ovachiever/droid-tings。
ターミナルまたはコマンドラインツール（Terminal、iTerm、Windows Terminal など）を開きます このコマンドをコピーして実行します: npx skills add https://github.com/ovachiever/droid-tings --skill evaluating-llms-harness インストール後、スキルは自動的に AI コーディング環境に設定され、Claude Code、Cursor、OpenClaw で使用できるようになります
https://github.com/ovachiever/droid-tings