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.
R2D-RL: 다중 에이전트 강화학습을 위한 RoboCup 2D 축구 환경
WorldLines: 장기(long-horizon) 상태 유지형 구현된 에이전트(embodied agents)의 벤치마킹 및 모델링
연구 하네스를 통한 AI 과학자의 연구 종합 및 검증 외부화
SciRisk-Bench: AI4Science 안전성을 위한 위험 차원 인식 벤치마크
TRAP: 작업 완료 및 능동적 프라이버시 추출 저항 벤치마크
AdsMind: 불균일 촉매 표면에서의 흡착 구성 자기 교정 발견을 위한 물리 기반 다중 에이전트 시스템
TxBench-PP: 소분자 전임상 약리학에서의 AI 에이전트 성능 분석
X+Slides: 청중 조건부 슬라이드 생성 벤치마킹
스파이킹 뉴런의 생물학적 타당성 자동 평가를 위한 최적화 프레임워크
Martingale Doppelgänger-Eval: 비전-언어 모델의 캔들스틱 이해도 감사를 위한 식별 프레임워크
무한 교환 가능 수열에 대한 유계 차분 집중 및 AI 벤치마크 불확실성 응용
복잡한 의료 추론을 위한 MedicalAgentsBench: 내면화된 추론 모델 대 외면화된 에이전트 기반 프레임워크 비교
코드를 위한 회귀 언어 모델
Branch-and-Browse: 트리 구조 추론과 액션 메모리를 활용한 효율적이고 제어 가능한 웹 탐험
EngTrace: 공학적 추론의 검증 가능한 과정 감독을 위한 기호 벤치마크
대규모 언어 모델에서의 사회적 바이어스에 대한 다각적 분석
Atlas: 다중 도메인 복잡한 추론을 위한 이종 모델 및 도구 조율
FeedEval: LLM 생성 에세이 피드백의 교육학적으로 정렬된 평가
테이블이 복잡해질 때: 프랑스어 금융 문서에서의 멀티모달 모델 평가
문맥 내 환경이 언어 모델의 평가 인지를 유발한다
findsylls: 음절 수준 음성 토큰화 및 임베딩을 위한 언어 독립적 툴킷
태국 변호사 시험 자유형 에세이에 대한 LLM 판사와 변호사 협회 시험관의 2단계 안정성 연구
기계에 가치 가르치기: 대규모 언어 모델에서의 인간 유사 행동 시뮬레이션
정밀도가 곧 충실도는 아니다: 완전 오라클을 활용한 근거 기반 생성의 커버리지 인식 평가
제어 평면 배치가 망각을 좌우한다: 13가지 시스템 구성에 걸친 에이전트 메모리 아키텍처 연구
NL2Code를 넘어서: 멀티모달 코드 인텔리전스에 대한 구조화된 서베이
NarrativeWorldBench: 장기 공동 창작 오디오 드라마를 위한 프론티어 포화 벤치마크와 잠재 세계 모델
AIPatient Arena: 종단 간 임상 상담 워크플로에서 EHR 기반 대규모 언어 모델 평가
인식적 자격을 통한 LLM의 이차 바이어스 평가
회의에서의 수신자 탐지, 턴 변경 예측, 다음 발화자 예측에 대한 대규모 언어 모델 능력 평가
벤치마크 환상: 가지치기된 LLM은 객관식은 통과하지만 답변에는 실패한다
비교 그래프 기반 신뢰할 수 있는 LLM 평가를 위한 프롬프트 섭동
수련생에서 트레이너로: 다중 에이전트 추론을 위한 강화학습용 LLM 설계 학습 환경
LLM 기반 코드 번역에서 기능적 정확성과 런타임 효율성 격차를 메우기
LLM은 문화적 맥락을 추론하지만 응답 시 이를 적용하지 못한다
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.