AI Stack

TAGS / TERM

评估基准

共 11 篇

  1. VendingBench作者访谈：Claude系列模型评估体系构建实践 2026-06-05 · BLOGS_PODCASTS
  2. ChartNet数据集提升视觉语言模型图表解读能力 2026-06-03 · BLOGS_PODCASTS
  3. EntityBench：长视频多镜头实体一致性评估 2026-05-17 · ARXIV
  4. ConGA框架：机器翻译性别标注指南 2026-03-20 · ARXIV
  5. SWE-CI：基于CI流程评估AI Agent代码库维护能力 2026-03-08 · HACKER_NEWS
  6. SWE-CI：评估 AI 智能体通过 CI 维护代码库的能力 2026-03-08 · HACKER_NEWS
  7. τ-Knowledge：评估非结构化知识下的对话智能体 2026-03-06 · ARXIV
  8. τ-Knowledge：评估非结构化知识中的对话智能体 2026-03-05 · ARXIV
  9. 过程感知评估揭示大模型智能体中的虚假成功 2026-03-04 · ARXIV
  10. IBM与UC伯克利利用IT-Bench和MAST诊断企业智能体失败原因 2026-02-19 · BLOGS_PODCASTS
  11. 恶意提示词分类器在真实分布偏移下的评估方法 2026-02-17 · ARXIV