AI Stack

TAGS / TERM

基准测试

共 187 篇

  1. 面向自动定理证明的最小智能体框架 2026-03-03 · ARXIV
  2. DARE-bench：评估大模型数据科学建模与指令保真度 2026-03-03 · ARXIV
  3. DARE-bench：评估大模型数据科学建模与指令遵循能力 2026-03-02 · ARXIV
  4. AWS中国团队评估Nova Forge：VOC分类任务表现与开源模型基准对比 2026-03-02 · BLOGS_PODCASTS
  5. AWS Nova Forge 数据混合技术评估：兼顾专业化与智能水平 2026-03-02 · BLOGS_PODCASTS
  6. AWS中国团队评估Nova Forge：VOC分类任务与开源模型基准比对 2026-03-02 · BLOGS_PODCASTS
  7. Anthropic模型蒸馏与SWE-Bench失效机制分析直播 2026-03-02 · BLOGS_PODCASTS
  8. Anthropic 模型蒸馏与 SWE-Bench 作弊机制解析 2026-03-01 · BLOGS_PODCASTS
  9. Anthropic 模型蒸馏与 SWE-Bench 失效机制探讨 2026-03-01 · BLOGS_PODCASTS
  10. Anthropic模型蒸馏与SWE-Bench失效机制分析 2026-02-28 · BLOGS_PODCASTS
  11. Anthropic蒸馏与模型作弊机制：SWE-Bench失效分析 2026-02-27 · BLOGS_PODCASTS
  12. OpenAI 联合西北太平洋国家实验室推出 DraftNEPABench，加速联邦许可流程 2026-02-27 · BLOGS_PODCASTS
  13. OpenAI 与太平洋西北国家实验室推基准测试，加速联邦许可流程 2026-02-27 · BLOGS_PODCASTS
  14. Anthropic 模型蒸馏与 SWE-Bench 作弊机制分析 2026-02-27 · BLOGS_PODCASTS
  15. OpenAI 与西北太平洋国家实验室合作推出 DraftNEPABench 加速联邦许可审批 2026-02-27 · BLOGS_PODCASTS
  16. 高效自动化翻译基准测试与数据集的流水线 2026-02-26 · ARXIV
  17. OpenAI 与西北太平洋国家实验室合作推出 DraftNEPABench 加速联邦许可流程 2026-02-26 · BLOGS_PODCASTS
  18. OpenAI 与西北太平洋国家实验室推基准测试，加速联邦许可流程 2026-02-26 · BLOGS_PODCASTS
  19. PA基准：评估Web智能体在真实个人助理工作流中的表现 2026-02-26 · HACKER_NEWS
  20. CxMP：评估语言模型构式理解的语言学最小对子基准 2026-02-26 · ARXIV
  21. PA Bench：评估前沿模型多标签页任务能力 2026-02-25 · HACKER_NEWS
  22. OpenAI前沿评估负责人探讨SWE-Bench Verified后的下一步 2026-02-25 · BLOGS_PODCASTS
  23. OpenAI前沿评估团队：迈向智能体评测的下一步 2026-02-25 · BLOGS_PODCASTS
  24. OpenAI前沿评估负责人：SWE-Bench Verified后的智能体评测新方向 2026-02-25 · BLOGS_PODCASTS
  25. 面向大规模视频推理的综合基准测试套件 2026-02-25 · ARXIV
  26. Skill-Inject：评估智能体技能文件攻击的脆弱性 2026-02-25 · ARXIV
  27. OpenAI前沿评估团队：SWE-Bench Verified后的智能体评估新方向 2026-02-25 · BLOGS_PODCASTS
  28. 面向大规模视频推理的综合基准测试套件 2026-02-24 · ARXIV
  29. OpenAI 前沿评估团队探讨迈向智能体评估的下一阶段 2026-02-24 · BLOGS_PODCASTS
  30. Hugging Face Skills 功能上线与模型评估体系更新 2026-02-24 · HACKER_NEWS
  31. SWE-bench Verified 数据泄露与缺陷分析：为何应转向 SWE-bench Pro 2026-02-24 · BLOGS_PODCASTS
  32. OpenAI前沿评估团队：从SWE-Bench Verified看智能体评估演进 2026-02-24 · BLOGS_PODCASTS
  33. SWE-bench Verified 存在数据污染与评估偏差，建议改用 SWE-bench Pro 2026-02-24 · BLOGS_PODCASTS
  34. OpenAI前沿评估团队探讨SWE-Bench Verified后的下一步 2026-02-24 · BLOGS_PODCASTS
  35. SWE-bench Verified 数据污染与测度失准分析及替代方案 2026-02-24 · BLOGS_PODCASTS
  36. OpenAI 前沿评估团队：SWE-Bench Verified 之后的下一步 2026-02-24 · BLOGS_PODCASTS
  37. Gemini 3.1 Pro发布：ARC-AGI 2得分达3.0两倍 2026-02-24 · BLOGS_PODCASTS
  38. 53款模型“洗车”测试 2026-02-24 · HACKER_NEWS
  39. 53款模型“洗车”测试：评估多模态AI在物理场景中的表现 2026-02-24 · HACKER_NEWS
  40. 53款模型“洗车”测试：评估代码生成与修复能力 2026-02-24 · HACKER_NEWS
  41. SWE-bench Verified 存在数据污染与缺陷，建议迁移至 SWE-bench Pro 2026-02-24 · BLOGS_PODCASTS
  42. OpenAI前沿评测团队：SWE-Bench Verified后的智能体评测演进 2026-02-24 · BLOGS_PODCASTS
  43. Gemini 3.1 Pro发布：ARC-AGI 2得分达3.0两倍 2026-02-24 · BLOGS_PODCASTS
  44. 基准测试图神经网络在解决难约束满足问题中的性能 2026-02-24 · ARXIV
  45. SWE-bench Verified 数据泄露与测试缺陷分析：为何应迁移至 SWE-bench Pro 2026-02-24 · BLOGS_PODCASTS
  46. OpenAI 推进智能体评估：SWE-Bench Verified 后续方向 2026-02-24 · BLOGS_PODCASTS
  47. Gemini 3.1 Pro发布：ARC-AGI 2得分达3.0两倍 2026-02-24 · BLOGS_PODCASTS
  48. 基准测试图神经网络在求解难约束满足问题中的性能 2026-02-23 · ARXIV
  49. SWE-bench Verified 数据泄漏与测试缺陷分析：为何推荐改用 SWE-bench Pro 2026-02-23 · BLOGS_PODCASTS
  50. OpenAI前沿评估团队：超越SWE-Bench Verified的智能体评估新阶段 2026-02-23 · BLOGS_PODCASTS