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.
EvoArena: 동적 환경에서 강건한 LLM 에이전트를 위한 메모리 진화 추적
단일 언어 딥 리서치를 넘어서: 교차 언어 BrowseComp-Plus를 통한 에이전트 및 리트리버 평가
GRACE-DS: 데이터 과학 분야의 가드된 보상 기반 에이전트 수정 환경
대규모 오디오 언어 모델을 위한 연속 오디오 사고
VISUALSKILL: 컴퓨터 사용 에이전트를 위한 멀티모달 스킬
Montreal Forced Aligner와 2026년 음성-텍스트 정렬의 현황
가능한가 확실한가? 임상 텍스트에서 진단적 불확실성 보존 평가를 위한 벤치마크
PEC-Home: 스마트 홈에서의 점진적 생략 명령어 해석
잘못된 종류의 옳음: 대규모 언어 모델에서 오발된 정렬의 정량화 및 국소화
LegalWorld: 법률 에이전트를 위한 수명 주기 대화형 환경
RedactionBench
스칼라 점수를 넘어: 영상의학 보고서의 임상적 유의성 평가를 위한 LLM 기반 메트릭 탐구
SenFlow: 하이브리드 문서에서의 AI 생성 텍스트 탐지를 위한 문장 간 흐름 모델링
GraphPO: 추론 모델을 위한 그래프 기반 정책 최적화
G-IdiomAlign: 교차 언어 관용구 정렬을 위한 용어 설명(gloss) 피벗 벤치마크
Sumi: 스크래치부터 학습한 공개 균일 확산 언어 모델
RECOM: 개방형 Reddit 질문 답변 자동 메트릭에서의 타당성과 식별력 트레이드오프
의료 LLM 적응의 상충 관계: 프랑스어 QA에 대한 실증적 연구
LOCUS를 통한 법률의 해방: 미국 지방 조례 말뭉치
FinSTaR: 시계열 추론 모델을 통한 금융 추론
표기법의 중요성: 에이전트형 AI 시스템에서 토큰 최적화 형식에 대한 벤치마크 연구
SkillRevise: 추적 조건화 스킬 수정을 통한 LLM 작성 에이전트 스킬 개선
"당신은 거짓말을 했나요?" 모델 규모와 신념 검증 모델 오거니즘에 걸친 거짓말 탐지기 평가
MapSatisfyBench: 행동에 근거한 암묵적 의사결정 요인을 통한 만족도 인식 지도 에이전트 벤치마킹
올바른 교사를 신뢰하세요: GUI 그라운딩을 위한 품질 인식 자기 지식 증류
Stanford EDGAR Filings Dataset: 레이아웃 충실 및 토큰 효율적인 사전학습 데이터로의 미국 기업 및 재무 공시 재구성
암기에서 창작까지: 대규모 언어 모델(LLM)이 생성한 교육적 질문의 인지적 깊이 평가
LLM의 인간 유사 행동 고찰: 모델 행동, 사용자 요인, 시스템 프롬프트에 대한 다차원 분석
다중 에이전트 시뮬레이션 기반 커뮤니티 노트 평가를 향하여
NAVI-Orbital: 자율 지구 관측을 위한 제로샷 비전-언어 모델의 최초 궤도 내 실증
바이브 코딩이 내 숙제를 먹어버렸다: 그린필드(greenfield) 소프트웨어 엔지니어링 및 프로그래밍에 대한 AI 접근 방식 평가
SafeClawBench: 도구 사용 대규모 언어 모델(LLM) 에이전트에서 의미론적, 감사 증거, 샌드박스 피해의 분리
DeFAb: 파운데이션 모델에서의 번복 가능한 가역(Defeasible Abduction)을 위한 검증 가능한 벤치마크
비전 기반 로봇 조작을 위한 강화학습에서의 행동 공간 벤치마킹
ForecastBench-Sim: 시뮬레이션 세계 예측 벤치마크
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.