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.
멀티벤더 DSM-to-CLI 변환을 위한 재현 가능한 시맨틱 벤치마크
인간 비개입 LLM 서빙: 처리량에 대한 인간 세금 정량화
HAAS Studio: 인간-AI 업무 배분 시뮬레이션, 벤치마킹 및 거버넌스 도구
Beyond Fixed Budgets: Characterizing the Inelasticity and Limitations of Tree-of-Thought Reasoning Strategies
DEMM-Bench: 에이전트 런타임 거버넌스-증거 충분성을 위한 교차-레짐 벤치마크
RIZZ: 블랙박스 에이전트의 지속적 적응을 위한 상호작용의 근제로 간섭 구역 라우팅
A-Evolve-Training: 30B 모델의 자율 사후 학습
스킬 커버리지: 에이전트 스킬을 위한 테스트 적절성 지표
아는 것에서 행동으로: LLM 에이전트의 자기 인식 능력 벤치마킹
DrugBench: 약물 피해 완화를 위한 AI 통제 프로토콜 평가
마감시한 기반 하이브리드 재생에너지 마이크로그리드 오케스트레이션을 위한 양자 보조 에이전틱 분산 인공지능 프레임워크
질의응답에서 작업 완료로: 에이전트 시스템 및 하네스 설계 서베이
시뮬레이션 고객은 결코 떠나지 않는다: 실제 구매 결과와 대비한 LLM 사용자 시뮬레이터의 의사결정 충실도
FairTutor: 예산 제약 AI 튜터링을 위한 형평성 인식 교육학적 LLM 라우팅
웹 에이전트가 끝냈지만 여전히 실패하는 경우: 병렬 웹 탐험을 위한 재현 가능한 트리거와 트레이스 진단
장기 실행 생물정보학 워크플로를 위한 프로세스-보상 전술 진화
코드 추론에서 내재 보상은 언제 효과적인가? 종합 연구
Power Systems Agent Benchmark: 전력 공학에서 AI 에이전트의 실행 가능 평가
지방정부 AI 보증을 위한 생성형 책임 AI 데이터 평가 스키마(GRAIDES)
미래 이벤트 예측을 위한 인프라로서 Agentic Time Machine
AutoResearch를 위한 실패 인지형 공유 메모리로서의 부정적 지식
확정 하의 정합성: LLM 논리적 추론에서 일반화와 공허한 아기 탐구
반복적 사후 학습은 자기 개선이 아니다: 지속적 DPO 파이프라인에서의 과학적 기억상실 진단
Trip+: 개인화된 대화형 여행 계획에서의 에이전트 벤치마킹
평생 사회 지능을 위한 사회적 세계 모델
맹목적으로 믿지 마라: 신뢰할 수 없는 피드백이 도구 사용 LLM 에이전트를 어떻게 무너뜨리는가
Counsel: 에이전트 태스크를 위한 메타 평가 데이터셋
오케스트레이터 학습: LLM 에이전트를 이용한 엔드투엔드 PDDL 계획의 지도 학습 접근법
AgentCAT: 다중 에이전트 대규모 언어 모델을 통한 컴퓨터 기반 적응형 검사(CAT) 시뮬레이션
ForEx: 논리적 오류 탐지 및 주석에서 설명 가능한 추론을 위한 형식 검증 프레임워크
자동 발견을 위한 탐색 ARTS 학습
Project Euler에서의 인간 대 기계 수학적 난이도: 실험 분석
CFAgentBench: 자율 건설·금융 에이전트를 위한 재현 가능한 환경 및 벤치마크
월드 모델 기반 비디오 생성에서 물리적 일관성의 참조 없는 평가
PlanBench-XL: 대규모 도구 생태계에서 LLM 도구 사용 에이전트의 장기간 계획 평가
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.