LLM Evaluation 是一个由微软研究院及其他合作机构共同开展的大语言模型评估研究项目。该项目围绕大语言模型的评测展开，旨在通过系统化的评估方法衡量模型的能力与表现。
主要能力与内容形式：项目以排行榜（Leaderboard）、论文（Papers）和代码（Code）三种形式公开其研究成果。排行榜用于呈现不同模型在评估任务中的表现对比；论文用于阐述评估方法、实验设计与研究结论；代码则提供评估相关的实现，便于研究者复现或在此基础上开展进一步工作。
使用方式：用户可通过项目网站访问上述内容。网站提供 Leaderboard、Papers、Code 三个入口，分别对应评估结果、研究论文与代码资源。
适用场景：该项目适合大语言模型研究者、开发者以及对模型评测方法感兴趣的人员参考，用于了解该研究团队在 LLM 评估方面的公开成果。
限制：现有资料未提供具体的评估基准、任务类型、模型覆盖范围、排行榜更新频率、代码许可协议及使用条件等细节，这些信息暂未提供。资料更新时间为 2023 年 10 月，后续是否持续更新暂未提供。
