EvalPlus

EvalPlus（evalplus.github.io）是一个提供「LLM 评测、监控、追踪与可观测性」能力的 AI 产品，本站将其归在「AI 编程 / 评测与可观测性」分类。官网标题为“Benchmarks by EvalPlus Team”。

根据官网首页说明：EvalPlus团队旨在培养高素质，准确的评价人员，以了解LLM在代码相关任务上的性能：（原文：EvalPlus team aims to build high-quality and precise evaluators to understand LLM performance on code related tasks:）

从首页其余段落看：HumanEval和MBPP最初只进行了有限的测试。EvalPlus通过将测试延长80x/35x进行严格的eval，使得HumanEval+& MBPP+。根据我们COLM'24文件提出的差异性能评价，我们严格评价LLM生成代码的代码效率，并配有性能-演化编码任务和测试输入。

以下信息来自 evalplus.github.io 官网首页的公开文字（抓取于 2026-10），翻译可能有偏差，使用前建议到官网核实。

• 基准@ EvalPlus（Benchmarks @ EvalPlus）
• ++ HumanEval+& MBPP+ 数据来源于互联网档案馆的存檔，存档日期2013-09-02。（🔨 HumanEval+ & MBPP+）
• EvalPerf：代码效率评价（🚀 EvalPerf: Code Efficiency Evaluation）
• RepoQA：长文本代码理解（📦 RepoQA: Long-Context Code Understanding）
• 存储器理解对智能代码代理至关重要。在RepoQA，我们正在设计长文本代码理解评估器。

如果你有以下需求，可以试试 EvalPlus：

• LLM 评测、监控、追踪与可观测性
• 软件开发、原型搭建和技术集成

上手提示：

• 不要把密钥、内部代码等敏感信息直接粘贴给第三方工具。
• 把需求拆成小步提交，比一次性生成大段代码更容易审查。

目标用户：开发者、技术团队以及想快速做出原型的产品人员；需要 API 或二次开发的开发者。

据公开数据集 AI Tool Compass（2026-10-04 核对）记录：有免费方案；记录到的方案包括 Free。价格可能随时调整，请以官网定价页为准。