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.
폐색전증 위험 평가를 위한 효율적인 멀티모달 임상 질의응답
미분 가능한 Atari VCS: 설명 가능 AI를 위한 복잡하고 완전히 알려진 ground truth
PRIME: LLM에서 비호환 지시 하의 프롬프트 해석 평가
MacAgentBench: 실제 macOS 데스크톱 환경에서 AI 에이전트 벤치마킹
Text2DSL: 도메인 특화 언어를 위한 LLM 기반 코드 생성
PaperClaw: 자율 연구와 인간 참여형 정제를 위한 에이전트 활용
SkillAudit: 고정 스위트 벤치마킹에서 스킬 중심 평가로
자신감 있지만 갈등하는: LLM의 내부 불확실성과 인지적 부조화 해결
다중 작업 위험 융합을 통한 LLM 생성 운전자 개입 메시지의 안전 인식 평가
분자 속성 예측을 위한 폐루프 자동 연구: 일반화 가능한 개선의 발견과 인증
확률성의 기원: 대규모 언어 모델의 불확실성 정량화에 대한 종합 연구
대규모 언어 모델에서의 행동 이식성 측정
CLI-Universe: 터미널 에이전트를 위한 검증 가능한 태스크 합성 엔진을 향하여
ENVS: 장기 GUI 에이전트를 위한 환경 네이티브 검증 검색
계획은 지속되지 않는다: 컨텍스트 관리가 대규모 언어 모델 에이전트에게 핵심적(load bearing)인 이유
IPO Finance Agent: Finance Agent v2를 넘어선 LLM 금융 애널리스트 평가와 자동화된 루브릭 생성 — SpaceX(SPCX) IPO 사례
LLM 에이전트의 절차적 기억 관리: 제어, 적응, 평가
유능하지만 부주의한: 컴퓨터 사용 에이전트는 맥락적 무결성을 따르는가?
HOLMES: 대규모 언어 모델의 고차 논리 추론 평가
EHR-Complex: 복잡한 임상 추론을 위한 의료 에이전트 벤치마킹
Litmus: AI 시스템 평가를 위한 제로-레이블, 코드 기반 메트릭 명세
AOHP: 개인화·효율·보안 상호작용을 위한 오픈소스 OS 수준 에이전트 하네스
VeriEvol: 검증 가능한 Evol-Instruct를 통한 멀티모달 수학적 추론 스케일링
AI 노출 점수: 측정하는 것, 놓치는 것, 그리고 앞으로의 과제
TailorMind: 선호 정렬 멀티모달 콘텐츠 생성
조합 폭발적 비트 조작 퍼즐에서 기저와 진리표 추론을 위해 LLM에게 문자열 매칭, 백트래킹, 오류 복구 가르치기
배심원 임무: 문화적 모호성 하에서 MLLM-as-a-Judge의 보정 및 방향성 실패
ROC-AUC를 넘어서: 생체인식 검증을 위한 운영점 성능 보고
AEF-Econ: AlphaEarth 기반 도시 원격 탐사를 위한 플러그앤플레이 사회경제 기초 임베딩
GEOPHYS: 물리적 타당성의 기하학
CDER-SME: 다단계 스트레스 유도 하의 기기 간 Event-RGB 미세표정 데이터셋
실제 이전에 보지 못한 상처 이미지에 대한 의료 비전-언어 모델 HuluMed·MedGemma 및 범용 챗봇 Gemma 3, ChatGPT Plus, Claude Pro 평가
비디오 모델은 얼마나 잘 기억할 수 있는가: 장기 비디오 이해에서 메모리-예산 트레이드오프 측정
REKEY: 오염에 강건한 VQA 평가를 위한 메타데이터 기반 시각 키 재생성
UniSLAD: 구조적 및 논리적 산업용 시각 이상 탐지를 위한 통합 프레임워크
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.