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.
AI는 도시 계획가처럼 추론할 수 있는가? 전문적 판단에 대비한 대규모 언어 모델(LLM) 벤치마킹
자기 압축 언어 모델 에이전트
유용성이 해를 끼친다: 사후 학습에서 중간 학습된 공감 가치의 도메인 의존적 저하
LLM 추론 트레이스의 인지적 에피소드가 해석 가능한 인간 문항 난이도 예측을 가능하게 한다
CLIR-Bench: 불규칙 임상 시계열에 대한 멀티모달 질의응답 벤치마킹
RouteRec: 추천 에이전트 선택 및 집계에 대한 엄격한 평가
설계부터 충실하게: 다중 이해관계자 대상 LLM 생성 임상시험 요약의 평가 및 개선
비영어권 언어에서의 추론 비용: 일본어 사례 연구
동일한 정확도, 불평등한 증거: 도구 사용 에이전트를 위한 의사결정 표면으로서의 검색 API
PC-Mix: 혼합 음성 및 환경음 조건에서의 부분 구성요소 오디오 위변조 탐지
CAFE: 복합 AI 요인 평가 프레임워크
명료한 직관인가, 진정한 분석인가? LLM-as-a-Judge 동료 심사에서의 인식론적 신뢰성 벤치마킹
UNIBROWSE: 멀티모달 BrowseComp를 위한 데이터-에이전트 프레임워크
Eval-Pair Matrix: 소스 기반 RAG를 위한 LLM 평가자의 답변 쌍 메타 평가
AI 튜터 자동 평가를 위한 지식 증류
제1회 ChineseBabyLM 챌린지: 중국어를 위한 데이터 효율적이고 인지적으로 타당한 언어 모델 학습
융합 전 신뢰 검증: 오염된 멀티모달 RAG를 위한 QIMG-7 및 소스 인식 해석 방법
텍스트 요약 평가를 위한 추상성 지표: 정제된 공식화와 실증적 검증
생의학 챌린지 문제에서 Claude Fable 5의 능력
ResearchQA: 과학 논문에서의 인용 근거 기반 질의응답 벤치마킹
대규모 언어 모델은 법적 인용을 조작하는가? 사우디 개인정보보호법과 GDPR에 관한 이중언어 벤치마크
온정주의적 필터: 소외된 루마니아 학생을 위한 LLM 매개 역사 교육에서의 인식론적 불의와 차등적 거부
카탈로그 작성을 위한 AI 모델 특성 분석
샐리-앤을 넘어서: 인식론적 셸링 포인트를 활용한 대규모 언어 모델의 마음 이론 평가
에이전틱 라우팅: 하네스 네이티브 데이터 플라이휠
ToFu: 연구자를 위한 화이트박스, 토큰 효율적 에이전트 하네스
LLM은 HardChoices에 준비되어 있는가?
RAGU: 소형 도메인 적응 LLM을 활용한 다단계 GraphRAG 엔진
MET: 이론 기반의 문화 인식 다국어 도덕적 추론
AdvancedMathBench: 고급 수학 증명 생성 및 검증을 위한 벤치마크 스위트
검증된 교육 피드백 분류 프로토콜의 내구성 및 교차 언어 전이 벤치마크
의료 영상 분석에서 로컬 및 비로컬 유사도 측정을 위한 클러스터링 알고리즘의 성능 벤치마킹 및 최적화
Prompting-MammAlps: 카메라 트랩 데이터를 위한 세밀한 텍스트-투-비디오 검색
동적 감정 추론 벤치마킹: 시청자 중심 비디오 감정 데이터셋
단답형 VQA 점수는 실제로 무엇을 측정하는가? 멀티모달 단답형 벤치마크에서 평가기 의존적 불안정성
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.