Papers with Code 아카이브
Benchmarking
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 0
- 평가표
- 2
- 보존된 평가 기록
- 2
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
SVoT: 강화학습을 통한 공간 추론을 위한 상태 인식 사고의 시각화
Embodied-BenchClaw: 임베디드 공간 지능 벤치마크 구축을 위한 자율 다중 에이전트 시스템
다중 파일 변경 위치 파악을 위한 LLM 에이전트의 탐색 구조
과학적 참신성 평가를 위한 LLM-as-Judge의 한계
임베디드 벤치마크 구축을 위한 지능형 자동화: 파이프라인, 구현체, 시뮬레이터 및 동향
데이터셋 분류 체계 전반에 걸친 추천 시스템을 위한 브래들리-테리 순위 매기기
선형 순서화 문제: 변화가 필요한 때
분류 체계의 참조 없는 평가
SWE-IF: 코드 평가를 인간 선호도와 정렬하기
LLM 생성 텍스트에서 설득 언어의 차이 분석: 고정관념적 성별 패턴 규명
중국어 숏비디오 허위 정보에 내재된 인지 편향에 대한 멀티모달 대규모 언어 모델 탐색
DialDefer: LLM 대화적 순응을 탐지하고 완화하는 프레임워크
VALUEFLOW: 대규모 언어 모델에서의 다원주의적이고 제어 가능한 가치 기반 정렬
사고의 연쇄 추론에서 충실도 저하에 대한 메커니즘적 증거
TRUE: 대규모 언어 모델 추론을 위한 신뢰할 수 있는 통합 설명 프레임워크
대규모 언어 모델(LLM)을 메타 판사(Meta-Judge)로 활용: 자연어 처리(NLP) 평가 지표 검증을 위한 합성 데이터
LLM-as-a-judge에서 온도 설정의 필요성
더 뛰어난 능력, 더 낮은 협력성? 대규모 언어 모델이 무비용 협력에 실패할 때
MCERF: 향상된 검색을 통한 엔지니어링 문서의 멀티모달 LLM 평가 고도화
에이전트 계획 벤치마크: LLM 에이전트의 계획 능력을 위한 진단 프레임워크
LLM 개인화에서 인간을 중심으로 재정립
UnpredictaBench: 대규모 언어 모델(LLM)의 분포적 무작위성 평가를 위한 벤치마크
HKJudge: 법원의 사실 인정, 추론 과정 및 판결 내용 해석을 위한 법률 담화 주석 말뭉치
긴 컨텍스트 및 검색 증강 언어 모델에서의 증거 활용을 위한 4가지 조건 진단 프로토콜
5살 아이에게 설명하듯이 또는 내가 선택한 대로: 언어 모델 응답의 대화형 잠재력 평가
LLM 정렬에 한국 문화 적용: 문화적 일관성을 향하여
다크 레귤롬: 유전체 파운데이션 모델에서 조절과 예측 가능성의 분리
다중 턴 스미싱 탐지를 위한 확장된 합성 대화 데이터셋
OpenHalDet: 다양한 생성 시나리오에서의 환각 감지를 위한 통합 벤치마크
문장 인코더에서의 개념 표현 원리
파운데이션 모델 에이전트의 Sim-to-Real 격차: 통합된 마르코프 결정 과정 관점
MADE: 세밀한 평가 통찰을 위한 다국어 에이전트 진단 엔진을 통한 점수 산출을 넘어서
루브릭을 넘어서: 보상 모델링을 위한 탐험 기반 평가 스킬
순서 속의 의미, 의미 속의 순서: 핵심 구문 평가를 위한 의미론적 R-정밀도
mmPISA-bench: 대규모 언어 모델(LLM)은 43개 언어에서 동등하게 잘 추론하는가?
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.