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.
The Generalization Spectrum: A Chromatographic Approach to Evaluating Learning Algorithms
Cliff Tokens: Identifying Single-Token Failure Triggers in LLM Mathematical Reasoning
LLM의 문제 해결 능력 조사 -- 정역학 문제에 대한 연구
더 큰 모델이 두각을 보이는 지점: 제약 기반 추론의 우선성
과학자처럼 사고하나? LLM 생성 연구 방법론의 구조적 연구
Axon: 텐서 프로그램을 위한 합성 슈퍼옵티마이저
ConflictScore: 언어 모델이 상충하는 증거를 어떻게 처리하는지 식별하고 측정하기
다차원 텍스트 분석 접근법을 통한 개혁 이후 위험 공시 품질 변화 평가
모달리티를 아우르는 적대적 확산: 텍스트, 비전, 비전-언어 모델의 공격·방어·평가에 대한 융합 서베이
SocialPersona: 멀티모달 소셜 미디어 컨텍스트 기반 개인화 프로파일링 및 응답 벤치마킹
멀티미디어 이벤트 추출의 평가 함정과 과제
SamaVaani: 인도 언어 다국어 임상 ASR 감사 및 편향 완화
GAVEL: 그라운딩 캡션 오류 검증 및 국소화
RedVox: 언어 간 Speech 모델의 안전성 및 공정성 격차
정신 건강 상호작용에서 대규모 언어 모델의 프레이밍 민감 행동 불안정성 감사
NuclearQAv2: 대규모 언어 모델의 도메인 과학 역량 평가를 위한 구조화된 벤치마크
리들 리들: 대규모 언어 모델과 인간의 유연한 추론 검증
언어 모델에게 역사적 이탈리아어는 얼마나 놀랍게 다가오는가? 토큰화 세금, 이해 세금, 그리고 간단한 완화 방법
다국어 추론 캐스케이드에는 더 많은 컨텍스트가 필요하다
전역 최적화를 위한 베지에 곡선상 랜덤 워크
글로벌 AI 기술 거버넌스를 위한 오픈웨이트 파운데이션 모델 벤치마킹
분기하는 추천, 수렴하는 진단: AI 상업 추천에서 제공자 간 실패 모드 수렴
벤치마크 포화 이후: CORE-Bench 사례 연구
CyberChainBench: AI 에이전트는 실제 온체인 취약점으로부터 스마트 계약을 보호할 수 있는가?
Lacuna: 기계 학습 연구 지도
검증의 지평: 코딩 에이전트 보상에 만능 해결책은 없다
도구 보강 LLM 에이전트는 실제 에너지 분석 과제에서 어떻게 수행하는가?
멀티모달 LLM 평가에서 무엇을 놓치고 있는가?
지시 누출(Instruction Bleed): 프롬프트 구성형 에이전트 시스템에서의 모듈 간 간섭
가속적 수익과 과학을 위한 질적 엔진
WatchAct: 관찰된 행동에 기반한 로봇 조작 벤치마크
데이터 기반 기계 학습은 상징 수준의 논리적 추론에 도달할 수 없다 — 스케일링 법칙의 한계
MKG-RAG-Bench: 다중모달 지식 그래프 증강 생성에서의 검색 벤치마킹
VeriFast를 위한 LLM 생성 사양에 대한 실증 연구
인간은 이탈하고 추론 모델은 지속한다: 난이도 등록과 숙고 할당의 분리
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.