simple-evals：语言模型评测参考实现

simple-evals 是一个轻量的语言模型评测库，开源目的是对其发布模型所公布的准确率数字保持透明。README 强调评测对提示词敏感，本库采用零样本、思维链（zero-shot, chain-of-thought）设置，用「Solve the following multiple choice problem」这类简单指令，认为这更贴近模型在真实使用中的表现。仓库曾包含 MMLU、MATH、GPQA、DROP、MGSM、HumanEval、SimpleQA 等评测，并附有多家模型的成绩表。2025 年 7 月起仓库不再为新模型或新评测结果更新，仅继续托管 HealthBench、BrowseComp 和 SimpleQA 的参考实现；也不再接受新评测，可能接受的改动仅限 bug 修复、新模型适配器，以及在给定新模型与系统提示下为成绩表新增行。README 明确它不是 openai/evals 的替代品。