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.
CAMeR: LLM 에이전트의 적응형 메모리 유지를 위한 키워드 게이트 하이브리드 활성화
Instruct-FD: 풀 듀플렉스 음성 시스템은 턴 테이킹 지시를 따를 수 있는가?
GPT-4.1을 활용한 의견 예측에서 페르소나 시뮬레이션의 효과 평가
GenDB 시연: LLM 에이전트를 통한 인스턴스 최적화 및 맞춤형 쿼리 처리 코드 생성
Frontier Financial Judgement: 에이전트는 주가에 영향을 줄 수 있는 정보를 판별할 수 있는가
에이전트 실패에서 텍스트 정책까지: 무엇이 효과적이고 무엇이 한계인가
REGARD: 대규모 언어 모델의 지역별 정서 차이
Rushes: 다원적 정렬을 위한 인간 선호 데이터셋
다양성 지표는 다양성을 측정하는가? LLM 앙상블에서 다수결 투표 이득에 대한 역량 통제 감사
CSPF: 검증 불가능한 선호 평가를 위한 제약 공유-사유 융합 방법
LegalCiteTrust: 중국어 장문 법률 연구 보고서의 인용 신뢰성 벤치마킹
Tencent WorkBuddy Bench: 오염 저항형 태스크 구성을 갖춘 다중 도메인 코딩 에이전트 벤치마크
환각에 취약한 분자 스크래치패드로서의 화학적 사고의 연쇄(Chain-of-Thought) 기능
단어 수준 사전에서 문장 수준 의미론으로: 맥락 모델을 활용한 다국어 불만(grievance) 라벨링
CultureTalk-ID: 인도네시아 지역 언어 문화적 상식을 위한 다중 과제 대화 벤치마크
QuantiBias: LLM에서 양자화로 유발되는 바이어스 벤치마킹
점진적 크래밍: 신뢰할 수 있는 토큰 압축과 그것이 드러내는 것
그리스 도서 출판사 환경에서 임베딩과 LLM의 비교 평가 - CUP 데이터셋
MemTools: 상호운용 가능한 에이전트 메모리를 위한 통합 연구 프레임워크
제어된 교란 검증을 거친 구조화된 오디오 캡션 평가 프레임워크
RUMBA: 러시아 사용자 메모리 벤치마크
MedGame: 대규모 언어 모델 기반 의료 교육용 스토리텔링 게이미피케이션
SR-TTT는 검색을 학습하지 않는다: Surprisal-Aware Residual Test-Time Training에 대한 수정 및 메커니즘적 사후 분석
PISmith: 프롬프트 인젝션 방어를 위한 강화학습 기반 레드팀 테스팅
DataPrep-Bench: 학습 데이터 준비자로서 LLM 벤치마킹
PhantomFill: 양식이 답을 요구하면, 언어 모델은 답을 지어낸다
Muon의 그로킹에서 핵심 요인
구조화된 전문가 판단을 통한 다중 LLM 시스템의 불확실성 인식 신뢰 추정
SBDD를 넘어서: 다약리학 및 다중 표적 약물 설계에서의 기하 심층 학습
StabilityBench: LLM의 불안정성 벤치마킹
STeMP: 시공간 모델링 프로토콜
순환은 언제 알고리즘이 되는가? 가중치 공유 루프 트랜스포머의 수렴 선택
귀속 시장: 계획된 작업과 수행된 행동 간 분수 크레딧 할당을 위한 Fisher 시장 공식화
LLM은 변화하는 사용자 의도 속에서 길을 잃는다
합성 소수 클래스 데이터는 중복적이거나 무효하다: 데이터 의존적 타당성 이론과 바이어스 제거 검정
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.