大模型评测是模型研发和应用落地中不可或缺的环节。从学术研究中的基准测试，到工程实践中的应用评测，不同场景需要不同的评测工具。本文系统梳理主流评测框架的定位、功能和适用场景，帮助读者做出合理的选型决策。

EleutherAI lm-evaluation-harness 是目前开源社区使用最广泛的大语言模型评测框架，GitHub 星标超过 6000，是 Hugging Face Open LLM Leaderboard 背后的核心评测引擎。无论是学术研究还是模型选型，它都是一套不可或缺的工具。

在前面的文章中，我们分别介绍了 lm-evaluation-harness 和 OpenCompass 两个评测框架的设计理念和核心功能。本文将聚焦实战：从零开始搭建本地评测环境，对主流开源模型跑完整评测流程，最终输出结构化的对比报告。所有步骤均在本地 GPU 机器上完成，不依赖云端 API。