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”。
← Projects / AI 质量门禁
EvalForge
把零散的模型评测结果，变成能进入 CI、可以复查的发布依据。
- Python · MIT
- 持续维护
先试一次，再看实现。
在浏览器里改变阈值，查看每条样本为何通过或被拦截。
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。
Evidence / 可验证记录
- Gate
- Threshold / Baseline
- Reference evaluator
- Offline RAG
- Integration
- CI ready
- Reports
- JSON / JUnit / SARIF
功能依据：公开仓库说明，核对于 2026-09-10。测试数量与覆盖率以仓库当前版本为准。
想看实现细节、安装方式和最新进展？