TAGS / TERM
模型评估
共 207 篇
- SokoBench：评估大模型长程规划与推理能力 2026-01-29 · ARXIV
- Opus 4.5 在 OTelBench 基准测试中得分仅 29% 2026-01-29 · HACKER_NEWS
- Alyah：评估阿拉伯语大模型阿联酋方言能力 2026-01-29 · BLOGS_PODCASTS
- Alyah ⭐️：阿拉伯语LLM方言鲁棒性评估！🔥 2026-01-28 · BLOGS_PODCASTS
- 🇦🇪 Alyah ⭐️：揭秘阿拉伯LLM方言鲁棒评估！ 2026-01-28 · BLOGS_PODCASTS
- MortalMATH：当推理目标遇上紧急语境，冲突何解？🧠🔥 2026-01-27 · ARXIV
- ⚡️俄罗斯方块爆杀Opus！Gemini Flash胜率66%震撼实测🎮 2026-01-27 · HACKER_NEWS