Evidently AI是一个开源的ML/LLM可观测性与评估框架，围绕同名Python库构建，提供100+内置指标与测试套件，可一键生成HTML/JSON交互报告，也能将结果推送到自托管或云端仪表盘，实现“实验-评估-监控”全链路覆盖。

TRUEBench是三星电子推出的AI基准测试工具，聚焦人工智能在实际工作场景中的生产力评估，针对性解决现有AI基准测试的核心局限性，例如以英语为中心的单一语言覆盖、局限于单轮问答的简单任务结构等问题。

PromptForge是一个AI提示工程工作台，具备高级分析工具，能在测试前提供优化反馈。PromptForge支持多模型比较和专业测试，配备完善的提示管理功能，支持搜索、标签、历史记录和导出导入。

URO-Bench是一个面向端到端语音对话模型（SDMs）的全面基准测试工具。它是首个涵盖多语言、多轮对话及副语言信息的基准测试，旨在填补语音对话模型在语音到语音（Speech-to-Speech, S2S）场景下缺乏全面评估的空白。