会员服务
测试集，在AI领域多指机器学习模型训练完成后，用于其测试的数据，以观测其性能以及泛化能力。
xVerify: Efficient Answer Verifier for Reasoning Model Evaluations
Arxiv
0+阅读 · 2025年12月30日
Rethinking the Capability of Fine-Tuned Language Models for Automated Vulnerability Repair
Arxiv
0+阅读 · 2025年12月27日
Kunnafonidilaw ka Cadeau: an ASR dataset of present-day Bambara
Arxiv
0+阅读 · 2025年12月22日
Do LLM-judges Align with Human Relevance in Cranfield-style Recommender Evaluation?
Arxiv
0+阅读 · 2025年11月28日
SAGE: Semantic-Aware Gray-Box Game Regression Testing with Large Language Models
Arxiv
0+阅读 · 2025年11月29日
The FACTS Leaderboard: A Comprehensive Benchmark for Large Language Model Factuality
Arxiv
0+阅读 · 2025年12月11日
Is the Cure Still Worse Than the Disease? Test Overfitting by LLMs in Automated Program Repair
Arxiv
0+阅读 · 2025年11月20日
Robust Differential Evolution via Nonlinear Population Size Reduction and Adaptive Restart: The ARRDE Algorithm
Arxiv
0+阅读 · 2025年11月23日
A Multicenter Benchmark of Multiple Instance Learning Models for Lymphoma Subtyping from HE-stained Whole Slide Images
Arxiv
0+阅读 · 2025年12月16日
Do Generalisation Results Generalise?
Arxiv
0+阅读 · 2025年12月8日
FoleyBench: A Benchmark For Video-to-Audio Models
Arxiv
0+阅读 · 2025年11月17日
FoleyBench: A Benchmark For Video-to-Audio Models
Arxiv
0+阅读 · 2025年11月24日
CorPipe at CRAC 2025: Evaluating Multilingual Encoders for Multilingual Coreference Resolution
Arxiv
0+阅读 · 2025年11月6日
Automated Monitoring of Cultural Heritage Artifacts Using Semantic Segmentation
Arxiv
0+阅读 · 2025年11月25日
Winning with Less for Low Resource Languages: Advantage of Cross-Lingual English_Persian Argument Mining Model over LLM Augmentation
Arxiv
0+阅读 · 2025年11月25日
参考链接
微信扫码咨询专知VIP会员
Top