使用 LLM 裁判准确评估自由文本语言输出
预构建的 LLM 裁判
使用内置的 LLM 裁判快速入门，涵盖安全性、幻觉、检索质量和相关性。我们基于研究的裁判可提供与人类专业知识一致的准确、可靠的质量评估。
定制 LLM 裁判
调整我们的基础模型，创建根据您的业务需求量身定制的 LLM 裁判，使其与您的人类专家的判断保持一致。
通过评估迭代改进质量
测试新的应用/提示变体
MLflow 的 GenAI 评估 API 允许您针对评估和回归数据集测试新的应用变体（提示、模型、代码）。每个变体都与其评估结果相关联，从而能够跟踪随时间推移的改进。
使用基于代码的指标进行自定义
使用我们的自定义指标 API 自定义评估，以衡量应用质量或性能的任何方面。将任何 Python 函数（从正则表达式到自定义逻辑）转换为指标。
使用评估审查 UI 识别根本原因
使用 MLflow 的评估 UI 可视化评估摘要，并逐条查看结果，从而快速识别根本原因和进一步改进的机会。
并排比较版本
比较 2 个应用变体的评估，以了解您的更改是提高了还是降低了质量。在“跟踪比较”UI 中并排审查单个问题，以发现差异、调试回归并为您的下一个版本提供信息。
开始使用 MLflow
根据您的需求选择以下两种选项
参与其中
与开源社区建立联系
加入数百万 MLflow 用户