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。

OpenCompass 是由上海人工智能实验室（Shanghai AI Lab）开源的一站式大模型评测平台，旨在为大语言模型和多模态模型提供公平、开放、可复现的评测方案。平台内置 100+ 评测数据集，覆盖知识、推理、语言、代码、数学等多维度能力，是目前中文大模型评测领域最活跃的开源项目之一。

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。