evalpair
What it does
Run LLM eval suites on local or hosted models; compare runs with intervals and a noise floor.
- Connects Se ejecuta en tu computadora
- Account or key Needs EVALPAIR_API_KEY
- Category Búsqueda y memoria de IA
Instalación
Elige la app de IA que usas y copia la configuración.
Pasó 3/3 revisiones · Funciona en tu computadora · ✓ Comandos revisados el 13 nov 2026
Primero: ¿qué IA usas?
Elige tu app y los pasos aparecen abajo.
Funciona con Claude, pero hay que preparar algo antes
Necesitas una clave de evalpair (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez) · Solo en la app de Claude para computadora (Windows o Mac), no en la web ni en el móvil
Instala Python (uv)
Una sola vez; sirve para todos los servidores que necesitan Python (uv)
Regístrate y crea una clave de evalpair
Abre el sitio del autor, crea una cuenta y una clave de API para el siguiente paso. Consulta precios y planes gratis en su sitio.
Cómo obtener la clave está en el README del autor, más abajo
Abre el archivo de configuración de la app de Claude de escritorio
SettingsDeveloperEdit Config
Pega esta configuración y guarda el archivo
{ "mcpServers": { "evalpair": { "command": "uvx", "args": [ "evalpair", "mcp" ], "env": { "EVALPAIR_HOME": "your-value", "EVALPAIR_API_KEY": "your-value" } } } }Pega la clave solo en el campo de la app; nunca en un chat ni se la envíes a nadie
Cierra Claude y vuelve a abrirlo
Pruébalo
Usa evalpair y dime qué puedes hacer por mí; luego muéstrame una cosa✓ Si Claude dice que está usando evalpair o muestra una herramienta de evalpair en la respuesta, ya está conectado
Nombres de menú comprobados con la ayuda de Anthropic el 11 nov 2026 · tu pantalla puede variar un poco según la versión
ChatGPT todavía no puede conectar evalpair
evalpair se instala en tu computadora, pero ChatGPT solo conecta servidores que funcionan en la web
Lo que puedes hacer en su lugar
A · Usa una app que pueda conectar evalpair
- Necesitas una clave de evalpair (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez) · Solo en la app de Claude para computadora (Windows o Mac), no en la web ni en el móvil
- Necesitas una clave de evalpair (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)
- Necesitas una clave de evalpair (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)
- Necesitas una clave de evalpair (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)
B · Otros en Búsqueda y memoria de IA que funcionan con ChatGPT
Elegidos entre los más usados de la misma categoría, solo los que se conectan con una dirección y sin clave
- Context7✓ ChatGPT
- AIHOT✓ ChatGPT
- Sui Knowledge Base (kapa.ai)✓ ChatGPT
Funciona con Claude Code, pero hay que preparar algo antes
Necesitas una clave de evalpair (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)
Instala Python (uv)
Una sola vez; sirve para todos los servidores que necesitan Python (uv)
Regístrate y crea una clave de evalpair
Abre el sitio del autor, crea una cuenta y una clave de API para el siguiente paso. Consulta precios y planes gratis en su sitio.
Cómo obtener la clave está en el README del autor, más abajo
Abre la Terminal
Mac: pulsa Command+Espacio y escribe Terminal · Windows: abre PowerShell
Pega este comando y pulsa Enter
claude mcp add --scope user evalpair --env EVALPAIR_HOME=your-value --env EVALPAIR_API_KEY=your-value -- uvx evalpair mcpCambia “your-value” por tu clave antes de pulsar Enter
Pega la clave solo en el campo de la app; nunca en un chat ni se la envíes a nadie
Escribe /mcp en Claude Code
Deberías ver evalpair en la lista como conectado
Pruébalo
Usa evalpair y dime qué puedes hacer por mí; luego muéstrame una cosa✓ Si Claude Code dice que está usando evalpair o muestra una herramienta de evalpair en la respuesta, ya está conectado
Nombres de menú comprobados con la ayuda de Anthropic el 11 nov 2026 · tu pantalla puede variar un poco según la versión
Funciona con Cursor, pero hay que preparar algo antes
Necesitas una clave de evalpair (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)
Instala Python (uv)
Una sola vez; sirve para todos los servidores que necesitan Python (uv)
Regístrate y crea una clave de evalpair
Abre el sitio del autor, crea una cuenta y una clave de API para el siguiente paso. Consulta precios y planes gratis en su sitio.
Cómo obtener la clave está en el README del autor, más abajo
Escribe tu clave
En la configuración de evalpair, EVALPAIR_HOME, EVALPAIR_API_KEY está vacío; añade tu clave y guarda
Pega la clave solo en el campo de la app; nunca en un chat ni se la envíes a nadie
Abre el chat de IA de Cursor en modo Agent
Pruébalo
Usa evalpair y dime qué puedes hacer por mí; luego muéstrame una cosa✓ Si Cursor dice que está usando evalpair o muestra una herramienta de evalpair en la respuesta, ya está conectado
Nombres de menú comprobados con la ayuda de Cursor el 11 nov 2026 · tu pantalla puede variar un poco según la versión
Funciona con VS Code, pero hay que preparar algo antes
Necesitas una clave de evalpair (créala en el sitio del autor) · Instala Python (uv) en tu computadora primero (una sola vez)
Instala Python (uv)
Una sola vez; sirve para todos los servidores que necesitan Python (uv)
Regístrate y crea una clave de evalpair
Abre el sitio del autor, crea una cuenta y una clave de API para el siguiente paso. Consulta precios y planes gratis en su sitio.
Cómo obtener la clave está en el README del autor, más abajo
Escribe tu clave
En la configuración de evalpair, EVALPAIR_HOME, EVALPAIR_API_KEY está vacío; añade tu clave y guarda
Pega la clave solo en el campo de la app; nunca en un chat ni se la envíes a nadie
Abre el chat de IA de VS Code en modo Agent
Pruébalo
Usa evalpair y dime qué puedes hacer por mí; luego muéstrame una cosa✓ Si VS Code dice que está usando evalpair o muestra una herramienta de evalpair en la respuesta, ya está conectado
Nombres de menú comprobados con la ayuda de VS Code el 11 nov 2026 · tu pantalla puede variar un poco según la versión
Otras apps que usan MCP, como Windsurf, Zed o Gemini CLI, añaden servidores de forma distinta. Míralo en la lista de apps
Ver todas las apps que usan MCP →
La configuración JSON está en “Para desarrolladores”, abajo
Para desarrolladores: comandos de Terminal y configuración JSON
Instalado en tu computadora
Claude Code
claude mcp add --scope user evalpair --env EVALPAIR_HOME=your-value --env EVALPAIR_API_KEY=your-value -- uvx evalpair mcpClaude Desktop (claude_desktop_config.json)
{
"mcpServers": {
"evalpair": {
"command": "uvx",
"args": [
"evalpair",
"mcp"
],
"env": {
"EVALPAIR_HOME": "your-value",
"EVALPAIR_API_KEY": "your-value"
}
}
}
}Cursor (~/.cursor/mcp.json)
{
"mcpServers": {
"evalpair": {
"command": "uvx",
"args": [
"evalpair",
"mcp"
],
"env": {
"EVALPAIR_HOME": "your-value",
"EVALPAIR_API_KEY": "your-value"
}
}
}
}VS Code (mcp.json)
{
"servers": {
"evalpair": {
"type": "stdio",
"command": "uvx",
"args": [
"evalpair",
"mcp"
],
"env": {
"EVALPAIR_HOME": "your-value",
"EVALPAIR_API_KEY": "your-value"
}
}
}
}Valores que debes completar
EVALPAIR_HOMEenvFolder for the call cache, saved runs and your own suites (default ~/.evalpair).EVALPAIR_API_KEYsecreto envBearer token for an OpenAI-compatible server, if it needs one (OPENAI_API_KEY also works).
Esta configuración se genera a partir de la ficha del creador en el registro. Si el README dice otra cosa, sigue el README.
De un vistazo
Qué apps pueden usarlo
Según cómo se conecta este servidor y la documentación de cada app, comprobado el 10 nov 2026.
Se ejecutan en tu computadora en
ClaudeGooseLM StudioMsty StudioCherry StudioCursorVS Code + GitHub CopilotVisual StudioWindsurf (Devin Desktop)ZedKiroClineContinueJetBrains AI AssistantClaude CodeCodex CLIGemini CLIOpenCodenodecodeWarpLibreChatRaycast
Qué puede hacer
Se ejecuta en tu computadora; la lista de herramientas aparece en tu app de IA después de instalarlo.
Revisiones básicasi
Revisamos información que cualquiera puede ver; no hemos leído el código. Las revisiones que no aplican no se cuentan. · Revisado el 13 nov 2026
- ✓ Superada
El creador coincide con el repo
El nombre en el registro se verificó con la cuenta de GitHub Srikarmk, dueña del repo
- ✓ Superada
Sigue en mantenimiento
Último cambio de código: hace 4 días
- ✓ Superada
Tiene licencia
Usa MIT
- – No aplica
El endpoint responde
Este se ejecuta en tu computadora; no hay endpoint en internet
- – No aplica
Inicio de sesión con OAuth
Se ejecuta en tu computadora y usa ajustes locales en su lugar
- … Aún sin revisar
Sin instrucciones ocultas en las descripciones de herramientas
Se ejecuta en tu computadora; solo podemos leer listas de herramientas de endpoints en internet
Conversación
Pregunta, comparte un consejo o avisa de que no funciona. Ordenado por lo que la gente marcó como útil.
Aún no hay publicaciones. Sé la primera persona en preguntar o compartir.
Lo publicado aquí lo escriben usuarios, no el equipo de PopNx.
Reseñas de usuarios
Aún no hay reseñas
Comparado con otros en Búsqueda y memoria de IAi
- Más estrellas que el 0% de los otros 6059 servidores de esta categoría
- Publicado en el registro más recientemente que el 82% de los otros 6059 servidores de esta categoría
- Revisiones básicas iguales o mejores que el 100% de los otros 6059 servidores de esta categoría
Comparado con todos los servidores activos de esta categoría en el registro. Las estrellas solo cuentan cuando quien lo publica es dueño del repo.
Preguntas frecuentes
¿Es seguro evalpair?
Superó 3 de 3 revisiones básicas aplicables. No hemos leído el código. Antes de agregar una clave o un token, revisa qué acceso pide el servidor y usa una clave que tenga solo los permisos que necesitas.
¿Qué claves o códigos necesita?
Debes completar: EVALPAIR_API_KEY
¿Se ejecuta en mi computadora o en la nube?
Se ejecuta en tu computadora. Tu app de IA lo inicia cuando hace falta, y los datos no pasan por los servidores del creador (a menos que el propio servidor llame a un servicio en línea).
¿Sigue en mantenimiento?
El repo de GitHub cambió por última vez hace 4 días, y la última versión (0.1.1) llegó al registro hace 8 días.
¿Qué apps pueden usarlo?
Las apps compatibles con MCP, como Claude Desktop, Claude Code, Cursor y VS Code. También necesitas Python (uv) en tu computadora.
¿Qué puedo usar en su lugar?
En la misma categoría: Context7, Codebase Memory, Ruflo
Otros de la misma categoría
Servidores de la misma categoría hechos por otros creadores, ordenados por estrellas.
Cómo leer una tarjeta:↓ Descargas por semanai★ Estrellas de GitHubiTres pilares: reseñas · revisiones · usoiActualizado = fecha en que se publicó la última versión en el registroi
Codebase Memory
Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.
Ruflo
Agent teams, swarms, memory and hooks for Claude Code and Codex, served over MCP.
README del creador
Abrir el README
Copiado tal cual del repo del creador. PopNx MCP no lo ha revisado ni lo respalda. Se quitaron HTML, imágenes y scripts. Los enlaces llevan fuera de este sitio.
evalpair
Run an LLM eval suite against a model, cache every call, and compare two runs item by item: did the new model, prompt or quantization actually change anything, or is the difference noise?
Most eval tools print two scores side by side. That reads a 2-point gap on 160 questions as a result, when it usually isn't one. evalpair pairs the two runs by item, puts a bootstrap interval on the difference, counts the items that got worse and better, and can measure a noise floor: the same model asked the same questions twice. In my own studies the same prompt sent twice at temperature 0 changed up to 3% of answers, so an answer-change rate only means something above that.
It's a CLI and an MCP server, so an agent can run an eval and read the verdict itself. It only calls the model server you point it at, and keeps everything in one local folder.
Quick start
uvx evalpair suites
uvx evalpair run gsm8k-160 -m llama3.1:8b --repeat --label llama uvx evalpair run gsm8k-160 -m qwen3:8b --think off --label qwen3 uvx evalpair compare llama qwen3
run prints the score with a 95% interval and the first failures, unparsed and truncated replies first (those are usually the parser's or the token budget's fault, not the model's). compare prints both scores, the paired difference with its interval, how many items got worse and better, the noise floor, and ends with a plain-language verdict: whether the score difference is distinguishable from zero, and whether the answers moved more than the same model asked twice.
A real comparison: Ollama's default 4-bit Llama 3.1 8B against its 2-bit build, on an M5 Pro laptop (--num-ctx 4096; about 40 minutes for both runs):
$ evalpair compare llama-q4 llama-q2
A llama-q4: 84.4% [79.4%, 90.0%] B llama-q2: 60.6% [53.1%, 68.1%] B − A -23.8 pp [-31.9 pp, -16.2 pp] changed 40.6% [33.1%, 48.1%] of 160 items (43 worse in B, 5 better) floor (A) 0.0% [0.0%, 0.0%]; excess +40.6 pp [+33.1 pp, +48.1 pp]
B scores lower than A: -23.8 pp [-31.9 pp, -16.2 pp], paired over 160 items. Answers changed on 40.6% of items (43 got worse, 5 better). The noise floor (the same model asked twice) is 0.0% for A, so the change is beyond noise. worse in B: gsm8k-0259 '168' → '52' ...
Both scores are the ones the quantization study measured for these builds on the same items.
Interrupt a run and run it again: every reply is cached, so it picks up where it stopped.
As an MCP server
claude mcp add evalpair -- uvx evalpair mcp
or in any MCP client's config: {"command": "uvx", "args": ["evalpair", "mcp"]}.
| Tool | What it does |
|---|---|
list_suites | Suites you can run: name, item count, checker, what it measures |
run_eval | Run a suite against one model and save the run (calls the model; cached replies are reused) |
list_runs | Saved runs, newest first |
show_run | A run's score with its interval, its noise floor, and the end of failed replies |
compare_runs | Two runs paired by item: difference with an interval, flips each way, change vs. noise floor, examples |
Everything except run_eval only reads saved runs.
Backends
- Ollama (default):
--backend ollama, server athttp://localhost:11434. The run records the model's digest, so you can tell later exactly which build was tested.--think on|offfor models that think,--num-ctxfor the context window. - Any OpenAI-compatible server:
--backend openai --base-url http://localhost:8000/v1for vLLM, llama.cpp's server or LM Studio, or a hosted API. A bearer token is read fromEVALPAIR_API_KEY(orOPENAI_API_KEY) and never written to disk.
Temperature defaults to 0 and the seed to 7. Both are part of the cache key, along with the server URL, model, messages, token budget and thinking setting.
Suites
Three are bundled. They're the item sets from my Measuring LLM Systems studies, with those studies' prompts word for word, so a run can be checked against the published numbers:
| Suite | Items | Checker | Source |
|---|---|---|---|
gsm8k-160 | 160 | number | GSM8K test (MIT) |
mmlu-hs-160 | 160 | choice, stratified by subject | MMLU, four high-school subjects (MIT) |
e2e-extract-150 | 150 | json_fields | E2E NLG restaurant records (CC BY-SA 4.0) |
To make your own, create a folder with two files, in ~/.evalpair/suites/ / or anywhere you then pass by path:
# suite.toml
description = "Capitals, answered in one word" checker = "exact" max_tokens = 64 system = "Answer in one word." # optional user = "What is the capital of {country}?" group = "region" # optional: stratify the bootstrap by this item field
{"id": "fr", "country": "France", "region": "Europe", "gold": "Paris"}
{"id": "pe", "country": "Peru", "region": "Americas", "gold": ["Lima", "Ciudad de los Reyes"]}
{field} in a prompt is filled from the item; a list of strings becomes lettered options (A. …), anything else is shown as indented JSON. Use {{ and }} for literal braces.
| Checker | Scores | Gold |
|---|---|---|
number | the number after "Answer:", else \boxed{}, else the last number | a number |
choice | the letter after "Answer:", with fallbacks (letters set by checker_options.letters) | a letter |
exact | the text after "Answer:", or the last line, normalised | a string or list of strings |
contains | whether a gold string appears as whole words | a string or list |
regex | the last match of checker_options.pattern (first group) | a string or list |
json_fields | the share of the gold object's fields the reply's JSON gets right (null must be null) | an object |
Checkers are deterministic code: no LLM grades another LLM here. The number, choice and json_fields parsers come from the studies, and re-scoring all 9,870 replies from the quantization study's main run with them gives the study's own scores on every one (scripts/check_against_studies.py).
How the numbers are computed
- Unit of resampling: the item. 2,000 bootstrap draws, percentile intervals, seeded, so the same runs always give the same interval. With a
group, items are resampled within each group. - Comparisons are paired over the items both runs answered, using the first pass of each. If the two runs used different versions of a suite (the hash of its spec and items differs), the comparison says so.
- Noise floor: with
--repeat, every item is sent a second time as a separate call (its own cache entry). The floor is the share of items whose parsed answer changed between the passes. A comparison calls a change "beyond noise" only if, per item, (changed between runs) minus (changed between the passes) has an interval above zero for every run that has a floor. - Items are taken in file order, so
--limit 50is the same 50 items every time and limited runs still pair up.
Where things live
$EVALPAIR_HOME, or ~/.evalpair:
cache.sqlite every reply, keyed by request
runs/ /meta.json suite and its hash, model, digest, backend, options, counts, timings runs/ /rows.jsonl one line per item and pass: reply, parsed answer, score, tokens suites/ / your suites
Limits
- One model per run, chat-style prompts, one turn. No tool use, multi-turn or constrained decoding yet.
- Deterministic checkers only, so open-ended answers need a suite whose answer can be checked by code.
- The noise floor measures run-to-run variation on the same server. It doesn't cover a different machine or a server update.
License
MIT for the code. The bundled suites keep their sources' licenses (MIT for GSM8K and MMLU, CC BY-SA 4.0 for E2E NLG); each suite.toml names its license and source.