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 62 条结果

评分标准作为攻击面：LLM 评审员的隐秘偏好漂移

👍 2

评分标准修改可在保持基准一致的同时系统性操控 LLM 评审偏好

Ruomeng Ding, Yifei Pang, He Sun, Yizhong Wang, Zhiwei Steven Wu, Zhun Deng 2026-02-23

LLM评估偏好学习对抗鲁棒性对齐安全评分标准攻击

InnoEval：将研究创意评估视为知识驱动的多视角推理问题

👍 17

通过异构知识检索+多视角评审委员会+多维度解耦评估，实现自动化研究创意深度评估

Shuofei Qiao, Yunxiang Wei, Xuehai Wang, Bin Wu, Boyang Xue, Ningyu Zhang,... 2026-02-17

LLM评估创意评估多智能体系统知识检索科学研究自动化

FeatureBench：面向复杂功能开发的智能体编程基准测试

👍 18

首个聚焦功能级开发的智能体编程基准，揭示最强模型仅11%通过率的巨大挑战

Qixing Zhou, Jiacheng Zhang, Haiyang Wang, Rui Hao, Jiahe Wang, Minghao Han,... 2026-02-12

LLM评估代码生成基准测试智能体编程软件工程

LiveMedBench：面向大语言模型的无污染医疗基准测试与自动化评分标准评估框架

👍 13

构建持续更新的无污染医疗基准，用自动化评分标准替代LLM-as-a-Judge评估临床推理能力

Zhiling Yan, Dingjie Song, Zhe Fang, Yisheng Ji, Xiang Li, Quanzheng Li, Lichao Sun 2026-02-12

LLM评估临床推理医疗AI 基准测试数据污染

AIRS-Bench：面向前沿AI科学研究智能体的任务套件

👍 83

20个ML任务组成的基准，评估LLM智能体的端到端科研能力，16个任务仍未超越人类SOTA

Alisia Lupidi, Bhavul Gauri, Thomas Simon Foster, Bassel Al Omari, Despoina... 2026-02-10

AI Agent Benchmark LLM评估科学发现自动化研究

How2Everything：从网络挖掘操作流程以评估和改进大语言模型

👍 10

大规模挖掘网页操作流程，用LLM评判器评估和改进模型的流程生成能力

Yapei Chang, Kyle Lo, Mohit Iyyer, Luca Soldaini 2026-02-10

LLM-as-Judge LLM评估强化学习网络数据挖掘过程生成

文化无捷径：面向复杂文化理解的印尼语多跳问答

👍 8

首个面向印尼文化的大规模多跳问答数据集，揭示 LLM 文化推理的系统性偏差。

Vynska Amalia Permadi, Xingwei Tan, Nafise Sadat Moosavi, Nikos Aletras 2026-02-04

LLM评估印尼语多跳问答数据集构建文化理解

Wiki Live Challenge：用专家级维基百科文章挑战深度研究智能体

👍 33

基于维基百科优质文章构建实时基准，评估深度研究智能体的写作与事实准确性能力

Shaohan Wang, Benfeng Xu, Licheng Zhang, Mingxuan Du, Chiwei Zhu, Xiaorui... 2026-02-03

LLM评估事实验证深度研究智能体维基百科评估基准

AgentIF-OneDay：面向日常场景的通用AI智能体任务级指令跟随基准

👍 10

评估AI智能体在日常工作/生活/学习场景中完成多样化任务的能力

Kaiyuan Chen, Qimin Wu, Taiyu Hou, Tianhao Tang, Xueyu Hu, Yuchen Hou, Bikun... 2026-02-03

AI Agent Benchmark LLM评估多模态指令跟随

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

LIBERTy：基于结构反事实的LLM概念解释因果评估框架

👍 18

提出因果框架LIBERTy，用结构反事实评估LLM概念解释方法的忠实性

Gilat Toker, Nitay Calderon, Ohad Amosy, Roi Reichart 2026-01-21

LLM评估反事实可解释性因果推理概念解释

SciCoQA：科学论文与代码对齐的质量保证

👍 3

首个检测论文-代码不一致的基准数据集，揭示LLM仅能捕获46.7%的真实差异

Tim Baumgärtner, Iryna Gurevych 2026-01-21

LLM评估代码验证可复现性科学自动化跨模态推理

METIS：面向研究写作的阶段感知AI导师系统

👍 2

工具增强的阶段感知AI导师，指导本科生从想法到可发表论文

Abhinav Rajeev Kumar, Dhruv Trehan, Paras Chopra 2026-01-21

AI导师 LLM评估工具增强研究写作阶段感知

RubricHub：通过自动化粗到细生成构建全面且高区分度的评分标准数据集

👍 62

自动化粗到细生成评分标准，驱动LLM开放域任务超越GPT-5

Sunzhu Li, Jiale Zhao, Miteto Wei, Huimin Ren, Yang Zhou, Jingwen Yang,... 2026-01-19

LLM评估对齐训练强化学习数据集构建评分标准

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

大语言模型是否易受偏好破坏攻击（PUA）？一种诊断偏好对齐与现实有效性权衡的因子分析方法论

👍 12

PUA通过操纵性提示利用LLM的偏好对齐倾向，降低事实准确性

Hongjun An, Yiliang Song, Jiangan Chen, Jiawei Shao, Chi Zhang, Xuelong Li 2026-01-15

LLM评估偏好优化因子分析对齐安全提示攻击

LLM的决策是否忠实于口头置信度？

👍 5

LLM能口头表达不确定性，却无法据此做出风险敏感的放弃决策

Jiawei Wang, Yanfei Zhou, Siddartha Devic, Deqing Fu 2026-01-13

LLM评估不确定性量化决策理论置信度校准风险敏感决策

FinForge：半合成金融基准生成框架

👍 2

构建半合成流水线生成5000道高质量金融问答对用于评估LLM

Glenn Matlin, Akhil Theerthala, Anant Gupta, Anirudh JM, Rayan Castilla, Yi... 2026-01-13

LLM评估半合成数据基准构建金融NLP 领域评测

TowerMind：基于塔防游戏的LLM智能体学习环境与基准测试

👍 4

轻量级塔防游戏环境，用于评估LLM的长期规划和决策能力

Dawei Wang, Chengming Zhou, Di Zhao, Xinyuan Liu, Marci Chi Ma, Gary Ushaw,... 2026-01-12

LLM评估基准测试强化学习智能体游戏AI

LLM基准测试的系统化评估

👍 34

提出BENCHMARK2框架评估基准测试质量，发现显著差异并构建精简评估方案

Qi Qian, Chengsong Huang, Jingwen Xu, Changze Lv, Muling Wu, Wenhao Liu,... 2026-01-08

LLM评估基准测试指标设计评估方法