自建大模型能力评测有哪些权威方法与试题？

开发者在社区求助如何搭建类似 Codex 雷达站的大模型能力评测系统，用于测试自身服务接入的多家模型供应商能力水平是否在线。提问主要征集业内权威的评测方法、测试题库以及相关的自建经验。