Evalship：发现大语言模型评测中的缺陷

Evalship 是一款检测大语言模型评测缺陷的自动化工具，提供 24+ 项质量检查，可监控 Pull Request 并拦截破坏评测的合并。该工具兼容 Langfuse 和 Braintrust 等框架，能识别未经测试的 AI 调用与评测漏洞，并自动优化提示词和模型。服务支持公共仓库免费使用，针对私有仓库的付费方案起步价为每月 19 美元。