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 视觉语言模型 世界模型 GRPO 多模态大模型 知识蒸馏 LLM智能体 多智能体系统 智能体 多模态学习 流匹配 具身智能 图像生成 基准评测 代码生成 LLM Agent 检索增强生成 注意力机制 机器人操作 多模态大语言模型 视频理解 可解释性 数学推理 图像编辑 多模态 机器人学习 RLVR 自监督学习 长上下文 后训练 Transformer 工具使用 对比学习 数据合成 视觉-语言-动作模型 推理加速 工具调用 LoRA 多模态推理 RAG 计算机视觉 LLM评估 信息检索 视觉推理 评测基准 高效推理 参数高效微调 扩散语言模型 自蒸馏 综述 Flow Matching 3D重建 模型压缩 自回归生成 持续学习 自回归模型
找到 364 条结果
相关性 | 日期

XpertBench：基于评分量表的专家级任务评测基准

👍 12

由1000余位专家贡献、覆盖7大专业领域的1346道开放性长程任务评测基准，并配套提出ShotJudge校准式自动评判框架。

Xue Liu, Xin Ma, Yuxin Ma, Yongchang Peng, Duo Wang, Zhoufutu Wen, Ge Zhang,... 2026-04-06
LLM评测 专家级任务 基准测试 开放域生成 提示工程
✅ 已总结
详情 →

MDPBench：面向真实场景的多语言文档解析基准

👍 11

首个覆盖17种语言、3400张数字+拍照文档的多语言解析基准，揭示开源模型在拍照与非拉丁脚本上大幅崩塌

Zhang Li, Zhibo Lin, Qiang Liu, Ziyang Zhang, Shuo Zhang, Zidun Guo, Jiajun... 2026-04-03
VLM评测 基准测试 多语言OCR 文档解析 真实场景
✅ 已总结
详情 →

手机使用代理是否尊重用户隐私？

👍 9

提出MYPHONEBENCH框架，评估手机代理在完成任务时的隐私行为

Zhengyang Tang, Ke Ji, Xidong Wang, Zihan Ye, Xinyuan Wang, Yiduo Guo, Ziniu... 2026-04-02
Agent安全 GUI交互 基准测试 手机代理 隐私评估
✅ 已总结
详情 →

PRBench：物理研究中论文端到端复现的基准测试

👍 29

构建30个物理论文复现任务，评估AI智能体端到端科研复现能力，发现最佳系统仅34%正确率

Shi Qiu, Junyi Deng, Yiwei Deng, Haoran Dong, Jieyu Fu, Mao Li, Zeyu Li,... 2026-03-31
代码智能体 基准测试 物理研究 科学AI 论文复现
✅ 已总结
详情 →