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

GameDevBench：通过游戏开发评估智能体能力

👍 15

首个游戏开发基准测试，评估LLM智能体在复杂多模态游戏开发任务中的表现

Wayne Chi, Yixiong Fang, Arnav Yayavaram, Siddharth Yayavaram, Seth Karten,... 2026-02-12
Godot引擎 基准测试 多模态理解 智能体评估 游戏开发
✅ 已总结
详情 →

知识图谱验证的大语言模型基准测试

👍 7

提出FactCheck基准，系统评估LLM在知识图谱事实验证中的能力、RAG效果与多模型共识策略

Farzad Shami, Stefano Marchesin, Gianmaria Silvello 2026-02-12
RAG 事实验证 基准测试 多模型集成 大语言模型
✅ 已总结
详情 →

BABE：生物学实验推理能力评估基准

👍 10

基于真实论文构建的生物学实验推理基准，评估LLM因果推理能力

Junting Zhou, Jin Chen, Linfeng Hao, Denghui Cao, Zheyu Wang, Qiguang Chen,... 2026-02-06
基准测试 大语言模型 实验推理 生物信息学 科学评估
✅ 已总结
详情 →