Mejores herramientas de evaluación de LLMs de código abierto de 2026

De las 7 opciones de herramientas de evaluación de LLMs de código abierto que hemos analizado, ahora mismo las mejores son promptfoo, Inspect y LM Evaluation Harness. Cada una aparece según nuestra nota, con su precio, nuestro veredicto y para quién es.

Por Sheela · Actualizado el 2 nov 2026 · Cómo analizamos

Cómo clasificamos: por nuestra nota sobre 5, a partir de reseñas basadas en los precios, la documentación y las políticas de cada producto, además de benchmarks independientes cuando existen, todo comprobado en la fecha que indica cada reseña. No cobramos comisiones de afiliación.

1
promptfoo
promptfoo convierte las pruebas de regresión de LLM y los análisis de red team en un archivo YAML y un solo comando de CI; su nuevo propietario es lo que hay que vigilar.
Ideal para: Equipos que lanzan apps de LLM y quieren pruebas de regresión y análisis de seguridad en CI.
Precio: CLI gratis y de código abierto (MIT); el uso Community incluye red teaming hasta 10.000 sondeos al mes. Enterprise (nube gestionada) y On-Premise se presupuestan.
Lee nuestra reseña de promptfoo
4.5/5
2
Inspect
Inspect es el entorno de pruebas compartido de las evaluaciones de seguridad de IA gubernamentales e independientes; los equipos de producto que comprueban prompts en CI lo encontrarán más framework de lo que necesitan.
Ideal para: Investigadores y equipos de seguridad que ejecutan evaluaciones de agentes y de capacidades.
Precio: Gratuito y de código abierto bajo la licencia MIT.
Lee nuestra reseña de Inspect
4.4/5
3
LM Evaluation Harness
La vara de medir común para los benchmarks de modelos, y el instrumento equivocado para juzgar una aplicación construida sobre uno.
Ideal para: Investigadores y equipos que entrenan modelos y los comparan con benchmarks estándar.
Precio: Gratuito y de código abierto bajo licencia MIT.
Lee nuestra reseña de LM Evaluation Harness
4.4/5
4
DeepEval
Una biblioteca de evaluación al estilo de pytest muy capaz cuyo coste real es la factura del modelo juez, con una plataforma de 200 $ al mes al final del embudo.
Ideal para: Equipos de Python que añaden controles de calidad automáticos a aplicaciones con LLM.
Precio: Gratuito y de código abierto con licencia Apache 2.0. La plataforma alojada de Confident AI es un producto de pago aparte.
Lee nuestra reseña de DeepEval
4.2/5
5
e2e
e2e es el primer framework de pruebas con agentes que trata las llamadas al modelo como algo que eliminar, y su caché de reproducción es lo que hace asequibles en CI los tests en lenguaje llano.
Ideal para: Equipos de producto que quieren tests de extremo a extremo legibles en web y móvil sin mantener a mano cada selector.
Precio: Gratuito con Apache-2.0; pagas tu propio modelo. La plataforma alojada de TesterArmy es aparte: Free (5 ejecuciones), Hobby a 99 $/mes (250 ejecuciones), Startup a 299 $/mes (1.000 ejecuciones), Enterprise a medida.
Lee nuestra reseña de e2e
4.0/5
6
TruLens
Una biblioteca de evaluación sólida y nativa de OpenTelemetry con una empresa detrás, lastrada por una comunidad pequeña y una inclinación hacia Snowflake.
Ideal para: Equipos de Python que evalúan aplicaciones RAG o agentes, sobre todo los que ya guardan sus datos en Snowflake.
Precio: Gratuita y de código abierto con licencia MIT. Pagas las llamadas al modelo juez que hace cada función de feedback; AI Observability alojado de Snowflake es un producto aparte que se factura a través de Snowflake.
Lee nuestra reseña de TruLens
3.9/5
7
Ragas
Los nombres de sus métricas se convirtieron en el vocabulario de la evaluación de RAG, pero el código se ha quedado sin mantenedor.
Ideal para: Equipos con una batería de Ragas ya montada que pueden fijar una versión y mantener sus propias correcciones.
Precio: Gratuita y de código abierto con licencia Apache 2.0. Pagas las llamadas a la API del modelo juez que hace cada métrica.
Lee nuestra reseña de Ragas
3.4/5