Récemment, j'ai découvert que le domaine de l'évaluation de l'IA est désormais entré dans une phase de maturité élevée et d'itération rapide. Les tests de référence traditionnels (comme MMLU, HumanEval) tendent à être saturés, et la nouvelle génération de cadres et de méthodes se concentre sur les capacités du monde réel (agentique, utilisation de l'ordinateur, raisonnement multimodal), la rigueur statistique, la quantification de l'incertitude, la sécurité/crédibilité et les défis de contamination/longue traîne. Auparavant, nous testions de grands modèles, maintenant nous testons des agents IA. Ces plateformes aident les développeurs et les entreprises à tester la fiabilité, l'exactitude, le coût, la sécurité et la performance de l'IA tout au long de la chaîne, du développement à la mise en production. Grok a dressé une liste des plateformes d'évaluation de l'IA les plus courantes.