使用 LLM 评判器准确评估自由格式的语言输出
预构建的 LLM 评判器
快速开始使用内置的 LLM 评判器，用于评估安全性、幻觉、检索质量和相关性。我们经过研究支持的评判器提供准确、可靠的质量评估，并与人类专业知识保持一致。
定制化的 LLM 评判器
调整我们的基础模型，创建符合您业务需求的自定义 LLM 评判器，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/提示词变体
MLflow 的 GenAI 评估 API 允许您根据评估和回归数据集测试新的应用变体（提示词、模型、代码）。每个变体都与其评估结果相关联，从而可以跟踪随时间推移的改进。
使用基于代码的指标进行定制
使用我们的自定义指标 API 定制评估，以衡量您的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，以快速识别根本原因和进一步的改进机会。
并排比较版本
比较 2 个应用变体的评估结果，以了解您的更改是提升了还是降低了质量。在跟踪比较 UI 中并排查看各个问题，以查找差异、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