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。
Inferring Height from Earth Embeddings: First insights using Google AlphaEarth
Arxiv
0+阅读 · 2月19日
LawThinker: A Deep Research Legal Agent in Dynamic Environments
Arxiv
0+阅读 · 2月12日
"ScatSpotter" -- A Dog Poop Detection Dataset
Arxiv
0+阅读 · 2月7日
Finding Diamonds in Conversation Haystacks: A Benchmark for Conversational Data Retrieval
Arxiv
0+阅读 · 2月16日
Data-Prompt Co-Evolution: Growing Test Sets to Refine LLM Behavior
Arxiv
0+阅读 · 2月8日
Quantifying the Effect of Test Set Contamination on Generative Evaluations
Arxiv
0+阅读 · 2月6日
TTCS: Test-Time Curriculum Synthesis for Self-Evolving
Arxiv
0+阅读 · 1月30日
BenchPress: A Human-in-the-Loop Annotation System for Rapid Text-to-SQL Benchmark Curation
Arxiv
0+阅读 · 1月31日
A2Eval: Agentic and Automated Evaluation for Embodied Brain
Arxiv
0+阅读 · 2月2日
A Multicenter Benchmark of Multiple Instance Learning Models for Lymphoma Subtyping from HE-stained Whole Slide Images
Arxiv
0+阅读 · 2月3日
Stability Regularized Cross-Validation
Arxiv
0+阅读 · 2月3日
How Much Do LLMs Hallucinate across Languages? On Realistic Multilingual Estimation of LLM Hallucination
Arxiv
0+阅读 · 2月2日
OMGEval: An Open Multilingual Generative Evaluation Benchmark for Large Language Models
Arxiv
0+阅读 · 1月30日
WebGym: Scaling Training Environments for Visual Web Agents with Realistic Tasks
Arxiv
0+阅读 · 1月24日
Endless Terminals: Scaling RL Environments for Terminal Agents
Arxiv
0+阅读 · 1月27日
参考链接
微信扫码咨询专知VIP会员
Top