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

CL-Bench：上下文学习能力基准测试

👍 23

首个评估大模型从复杂上下文中学习新知识能力的基准，当前最强模型仅解决23.7%任务。

Shihan Dou, Ming Zhang, Zhangyue Yin, Chenhao Huang, Yujiong Shen, Junzhe... 2026-02-05
上下文学习 基准测试 大语言模型评估 长上下文推理
✅ 已总结
详情 →

HalluHard：一个困难的多轮幻觉评测基准

👍 4

提出950道高难度多轮幻觉基准，揭示前沿LLM仍存在约30%+的幻觉率

Dongyang Fan, Sebastien Delsad, Nicolas Flammarion, Maksym Andriushchenko 2026-02-05
事实性评估 基准测试 多轮对话 大语言模型 幻觉评测
✅ 已总结
详情 →

EBISU：日语金融领域大语言模型基准测试

👍 17

首个针对日语金融语言理解的基准，揭示主流LLM在隐式意图识别和术语抽取上的系统性短板

Xueqing Peng, Ruoyu Xiang, Fan Zhang, Mingzi Song, Mingyang Jiang, Yan Wang,... 2026-02-03
基准测试 大语言模型评估 日语处理 语用学 金融NLP
✅ 已总结
详情 →

VIBE：视觉指令驱动图像编辑的系统性基准测试

👍 16

首个评估视觉指令（草图/箭头）驱动图像编辑能力的分层基准，揭示现有模型在因果推理上的瓶颈

Huanyu Zhang, Xuehai Bai, Chengzu Li, Chen Liang, Haochen Tian, Haodong Li,... 2026-02-03
图像编辑 基准测试 多模态交互 视觉指令 评估框架
✅ 已总结
详情 →