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

论 LLM 作为判别器评估科学创新性的局限性

👍 3

研究揭示 LLM 判别器在评估研究问题新颖性时存在严重不可靠性，与人类专家判断存在系统性偏差。

Soumitra Sinhahajari, Navonil Majumder, Soujanya Poria 2026-06-10
LLM-as-Judge 人工对齐 基准测试 研究问题生成 科学创新性评估
✅ 已总结
详情 →

ResearchClawBench：端到端自主科学研究基准

👍 100

首个评估AI端到端自主科学研究能力的基准，40任务10领域揭示当前系统距可靠重发现差距巨大

Wanghan Xu, Shuo Li, Tianlin Ye, Qinglong Cao, Yixin Chen, Hengjian Gao,... 2026-06-08
LLM评估 基准测试 科学研究评估 端到端任务 自主研究代理
✅ 已总结
详情 →

GENEB：为何基因组模型难以比较

👍 49

提出GENEB基准评估40个基因组模型在100任务上的表现，揭示聚合排名的不稳定性

Daria Ledneva, Mikhail Nuridinov, Denis Kuznetsov 2026-06-08
基准测试 基因组学 基础模型 模型比较 评估协议
✅ 已总结
详情 →

MMAE：大规模多任务音频编辑基准

👍 46

首个通用指令式音频编辑综合评估基准，覆盖7种模态和6级复杂度

Ziyang Ma, Ruiqi Yan, Ruiyang Xu, Jie Fang, Zhikang Niu, Yi-Wen Chao,... 2026-06-08
基准测试 多模态 指令跟随 评估范式 音频编辑
✅ 已总结
详情 →