EvalForge

问题

AI 系统上线前往往做了不少测试，但结果散落在脚本和日志里，团队很难回答“这次改动到底能不能发”。

判断

不再造一套封闭指标，而是把任意评测分数接入统一门禁：与阈值或历史基线比较，再输出 CI 能读懂、开发者能追溯的报告。

实现

• →支持阈值判断与 baseline 回归比较。
• →输出 JSON、JUnit XML 与 SARIF，接入不同 CI 工作流。
• →提供无需模型密钥的 RAG 参考评测器，便于本地复现。