搜索 — HF Daily Papers

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 LLM智能体知识蒸馏多智能体系统智能体流匹配多模态学习具身智能基准评测图像生成代码生成 LLM Agent 检索增强生成机器人操作注意力机制多模态大语言模型可解释性视频理解数学推理图像编辑 RLVR 多模态机器人学习长上下文自监督学习后训练对比学习 Transformer 数据合成工具使用视觉-语言-动作模型推理加速 LoRA 多模态推理工具调用 LLM评估高效推理信息检索评测基准 RAG 计算机视觉参数高效微调扩散语言模型视觉推理自蒸馏综述 3D重建 Flow Matching 模型压缩自回归生成持续学习自回归模型

找到 368 条结果

AACR-Bench：基于仓库级全量上下文的自动代码评审评估基准

👍 16

首个多语言仓库级上下文感知的ACR评估基准，揭示LLM代码评审新见解

Lei Zhang, Yongda Yu, Minghui Yu, Xinxin Guo, Zhengqi Zhuang, Guoping Rong,... 2026-01-29

仓库级上下文代码评审基准测试多语言大语言模型

AVMeme Exam：一个用于评估大语言模型上下文和文化知识的多模态多语言多文化基准

👍 23

提出评估AI理解音视频模因能力的基准，揭示当前模型在文化理解和无文本音频上的不足

Xilin Jiang, Qiaolin Wang, Junkai Wu, Xiaomin He, Zhongweiyang Xu, Yinghao... 2026-01-28

基准测试多模态大语言模型文化理解音视频理解

CooperBench：为什么编程智能体还不能成为你的队友

👍 5

首个协作编程基准揭示AI智能体存在'协调诅咒'，协作比单干成功率低30%

Arpandeep Khatua, Hao Zhu, Peter Tran, Arya Prabhudesai, Frederic Sadrieh,... 2026-01-28

代码智能协作编程基准测试多智能体系统社交智能

当模型比评审者更聪明时，基准测试就会饱和

👍 3

揭示LLM基准饱和的真正瓶颈：数据集质量与评判者能力

Marthe Ballon, Andres Algaba, Brecht Verbeken, Vincent Ginis 2026-01-28

LLM-as-Judge LLM评测基准测试数学推理数据集清洗

DeepPlanning：基于可验证约束的长期代理规划基准测试

👍 36

提出DeepPlanning基准评估LLM在多日旅行和购物规划中的长期约束优化能力

Yinger Zhang, Shutong Jiang, Renhao Li, Jianhong Tu, Yang Su, Lianghao Deng,... 2026-01-27

agent评估基准测试工具使用约束优化长期规划

MortalMATH：评估推理目标与紧急情境之间的冲突

👍 2

推理模型在用户描述生命危险时仍坚持解数学题，暴露严重安全缺陷

Etienne Lanzeray, Stephane Meilliez, Malo Ruelle, Damien Sileo 2026-01-27

基准测试大语言模型安全奖励误规范对齐推理模型

面向大规模流动控制的强化学习算法即插即用基准测试

👍 2

FluidGym：首个全自包含、全可微分的流体控制强化学习基准平台

Jannis Becktepe, Aleksandra Franz, Nils Thuerey, Sebastian Peitz 2026-01-27

基准测试多智能体强化学习流体控制计算流体力学

DSGym：评估和训练数据科学智能体的统一框架

👍 12

揭示基准漏洞+统一评估框架，4B模型训练后超越GPT-4o

Fan Nie, Junlin Wang, Harper Hua, Federico Bianchi, Yongchan Kwon, Zhenting... 2026-01-26

SFT训练代码生成基准测试数据科学智能体评估

Terminal-Bench: 在命令行界面中对智能体执行困难、真实任务的基准测试

👍 37

提出Terminal-Bench 2.0基准，89个CLI任务揭示前沿模型解决率不足65%

Mike A. Merrill, Alexander G. Shaw, Nicholas Carlini, Boxuan Li, Harsh Raj,... 2026-01-23

LLM评估命令行界面基准测试智能体评测软件工程

MMDeepResearch-Bench：多模态深度研究智能体基准测试

👍 52

首个端到端多模态深度研究基准，评估智能体的图文证据整合与报告生成能力

Peizhou Huang, Zixuan Zhong, Zhongwei Wan, Donghao Zhou, Samiul Alam, Xin... 2026-01-22

基准测试多模态智能体检索增强生成深度研究

FinVault：在执行落地环境中评估金融智能体安全性

👍 11

首个金融智能体执行安全基准，揭示50%攻击成功率

Zhi Yang, Runguo Li, Qiqi Qiang, Jiashun Wang, Fangqi Lou, Mengping Li,... 2026-01-22

AI安全基准测试大语言模型对抗攻击金融智能体

KAGE-Bench：面向强化学习的快速已知轴视觉泛化评估基准

👍 9

提出可控视觉轴解耦的2D平台环境，系统评估RL智能体的视觉泛化能力

Egor Cherepanov, Daniil Zelezetsky, Alexey K. Kovalev, Aleksandr I. Panov 2026-01-21

JAX 分布偏移基准测试强化学习视觉泛化

ABC-Bench：面向真实后端开发全流程的智能体编码能力基准测试

👍 67

224个真实后端任务基准，评估LLM智能体全生命周期开发能力

Jie Yang, Honglin Guo, Li Ji, Jiazheng Zhou, Rui Zheng, Zhikai Lei, Shuo... 2026-01-20

代码生成后端开发基准测试容器化智能体

更多图像，更多问题？视觉语言模型失败模式的受控分析

👍 6

系统分析多图像视觉语言模型的失败模式，提出 MIMIC 基准和针对性改进方案

Anurag Das, Adrian Bulat, Alberto Baldrati, Ioannis Maniadis Metaxas, Bernt... 2026-01-19

基准测试多图像理解多模态学习注意力机制视觉语言模型

DeepResearchEval：深度研究任务自动构建与智能体评估框架

👍 128

提出自动化框架，用角色驱动任务构建和智能体评估深度研究系统的报告质量与事实性

Yibo Wang, Lei Wang, Yue Deng, Keming Wu, Yao Xiao, Huanjin Yao, Liwei Kang,... 2026-01-15

事实核查基准测试智能体评估深度研究系统自动化评估

A3-Bench：通过锚点和吸引子激活评估记忆驱动的科学推理

👍 84

首个评估记忆驱动科学推理的基准，通过锚点和吸引子激活提升LLM推理能力。

Jian Zhang, Yu He, Zhiyuan Wang, Zhangqi Wang, Kai He, Fangzhi Xu, Qika Lin, Jun Liu 2026-01-15

LLM评估基准测试科学推理认知科学记忆驱动推理

面向事实核查全流程的大语言模型阶段性评估框架

👍 4

提出FactArena框架，通过竞技场风格的多智能体对战评估LLM在整个事实核查流程中的能力

Hongzhan Lin, Zixin Chen, Zhiqi Shen, Ziyang Luo, Zhen Ye, Jing Ma, Tat-Seng... 2026-01-14

事实核查基准测试多智能体系统大语言模型评估竞技场评估

BabyVision：超越语言的视觉推理

👍 201

揭示当前MLLMs在人类幼儿就能解决的基础视觉任务上存在巨大缺陷

Liang Chen, Weichu Xie, Yiyan Liang, Hongfeng He, Hans Zhao, Zhibo Yang,... 2026-01-13

发展心理学基准测试多模态大模型视觉推理评估方法

迷失在噪声中：推理模型如何在上下文干扰下失效

👍 33

提出NoisyBench基准测试，揭示推理模型在噪声上下文下性能骤降80%，并提出RARE奖励函数提升鲁棒性

Seongyun Lee, Yongrae Jo, Minju Seo, Moontae Lee, Minjoon Seo 2026-01-13

Agent AI 噪声上下文基准测试强化学习推理模型

DrivingGen：自动驾驶生成式视频世界模型的综合基准测试

👍 19

首个面向自动驾驶世界模型的综合基准，覆盖视觉真实性、轨迹合理性、时间一致性和可控性四大维度

Yang Zhou, Hao Shao, Letian Wang, Zhuofan Zong, Hongsheng Li, Steven L. Waslander 2026-01-13

世界模型基准测试自动驾驶视频生成轨迹评估