标签： 全部 强化学习 扩散模型 大语言模型 基准测试 视频生成 LLM智能体 世界模型 视觉语言模型 GRPO 多模态大模型 知识蒸馏 基准评测 具身智能 流匹配 机器人操作 多智能体系统 智能体 LLM Agent 可解释性 图像生成 代码生成 多模态学习 检索增强生成 注意力机制 RLVR 后训练 视频理解 机器人学习 长上下文 多模态 数学推理 图像编辑 VLA 数据合成 多模态大语言模型 推理加速 高效推理 评测基准 自监督学习 工具调用 对比学习 扩散语言模型 视觉-语言-动作模型 参数高效微调 Transformer 工具使用 LoRA 持续学习 LLM评估 自蒸馏 多模态推理 RAG 模仿学习 综述 LLM推理 信息检索 信用分配 在线策略蒸馏 模型压缩 合成数据
找到 103 条结果
相关性 | 日期

HALO：以人为本的主动智能体细粒度评测

👍 9

HALO基准用专家逐条人工诊断揭示：主动智能体的主导失败模式是过度主动，占被拒响应61.2%。

Wenqi Pei, Xinyu Wang, Jinrui Liu, Cynthia Zhuge, Jie Sheng, Zihan Wang,... 2026-11-02
主动智能体 人类标注 校准分析 评测基准
✅ 已总结
详情 →

基准测试是难度上的经验测度

👍 24

把基准视为难度轴上的经验测度，形式化度量失配与覆盖缺口，并自动出题填补缺口

Yifan Sun, Naicheng Yu, Jiawen Gong, Jingyan Shen, Huan Zhang 2026-10-30
假设检验 基准增强 测度论 评测基准 难度估计
✅ 已总结
详情 →

CodeCap-Bench：可执行代码作为视频描述的评测基准

👍 51

提出'代码即视频描述'范式并构建323视频基准，代码保留视频信息优于自然语言，动态时序仍最弱

Jiafu Tang, Yifan Xu, Eric Tang, Junjie Zhao, Shipeng Luo, Te Sun, Haoxuan... 2026-10-28
代码生成 多模态大模型 视频描述 视频理解 评测基准
✅ 已总结
详情 →