simple-evals

这是一个轻量级语言模型评估库，用于标准化测试大语言模型在多项基准任务上的性能。核心功能包括对MMLU、GPQA、MATH、HumanEval、MGSM、DROP和SimpleQA等主流评测集的统一执行与结果统计，支持快速复现和对比模型能力。技术特点为简洁Python实现、开箱即用的评测脚本、透明公开的基准结果参考实现。适用于AI研究者、模型开发者进行模型选型、性能验证及学术对比分析。