会员服务
基准测试是指通过设计科学的测试方法、测试工具和测试系统，实现对一类测试对象的某项性能指标进行定量的和可对比的测试。
PreAct: Computer-Using Agents that Get Faster on Repeated Tasks
Arxiv
0+阅读 · 6月16日
Human-on-the-Bridge: Scalable Evaluation for AI Agents
Arxiv
0+阅读 · 6月15日
The Right Call for Software Benchmarking: Consistent Decisions in Stateful Environments
Arxiv
0+阅读 · 6月15日
The Benchmark Illusion: Pruned LLMs Can Pass Multiple Choice but Fail to Answer
Arxiv
0+阅读 · 6月16日
HumanoidArena: Benchmarking Egocentric Hierarchical Whole-body Learning
Arxiv
0+阅读 · 6月16日
ERQA-Plus: A Diagnostic Benchmark for Reasoning in Embodied AI
Arxiv
0+阅读 · 6月16日
Bridging the Usability Gap: Lessons from Interpreting Studies for Machine Interpreting Design
Arxiv
0+阅读 · 6月16日
LATTEArena: An Evaluation Framework for LLM-powered Tabular Feature Engineering (Extended Version)
Arxiv
0+阅读 · 6月16日
From Trainee to Trainer: LLM-Designed Training Environment for RL with Multi-Agent Reasoning
Arxiv
0+阅读 · 6月16日
The Measurement Gap in the Automation of EU Law: Benchmarking Doctrinal Legal Reasoning under the EU AI Act
Arxiv
0+阅读 · 6月16日
GeoDisaster: Benchmarking Orchestrated Agents for Operational Disaster Geo-Intelligence
Arxiv
0+阅读 · 6月15日
Offline Preference-Based Trajectory Evaluation
Arxiv
0+阅读 · 6月16日
Geometric Consistency Protocol for Foundation Model Features in Multi-View Satellite Imagery
Arxiv
0+阅读 · 6月16日
MapSatisfyBench: Benchmarking Satisfaction-Aware Map Agents through Behavior-Grounded Implicit Decision Factors
Arxiv
0+阅读 · 6月16日
PARSE: Provenance-Aware Retrieval Sanitization for Professional Domain LLM Agents
Arxiv
0+阅读 · 6月16日
参考链接
微信扫码咨询专知VIP会员
Top