Papers with Code 아카이브
Instruction Following
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 1
- 평가표
- 1
- 보존된 평가 기록
- 4
Instruction following is the basic task of the model. This task is dedicated to evaluating the ability of the large model to follow human instructions. It is hoped that the model can generate controllable and safe answers.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
MATE: 합성 주도 궤적 학습을 통한 모바일 에이전트의 정책 인지 보안 감사
추상 지시로부터 상식 기반 경로 계획
RiverVLN: 무인 수상정을 위한 위상 기반 시간적 비전-언어 항법
에이전트가 커널이 될 때: AI-네이티브 운영체제로 가는 길에서의 보안 체계화
WidgetVA: 에이전트형 시각 분석을 위한 위젯 중심 프레임워크 및 벤치마크
EDGEGEN: 합성 엣지 케이스 생성으로 행복 경로(happy path)를 넘어서는 도구 호출 에이전트 개선
에이전트 자체 수정의 런타임 감독을 위한 자가 치유 하네스
APEXA: 다중 에이전트 LLM 기반 싱크로트론 데이터 축소 자동화의 실행 무결성 강제
CREDO: 재생-보정된 크레딧 할당을 위한 분산 유도 루브릭 진화
LIMIT: Text-to-SQL에서 지시 미세조정은 적을수록 더 낫다
vla.simd: 언어 조건부 조작을 위한 효율적인 CPU 추론
에이전트는 언제, 어떻게 명확화해야 하는가? CIGAsk: 반사실적 정보 이득(Counterfactual Information Gain)을 통한 LLM 명확화 학습
Fathom-Vaidya: 루브릭 기반 보상을 통한 의료 추론 성능 향상
World State Generator
논증을 분류만이 아니라 추출하기: 생성형 구성요소 탐지를 위한 지시 미세조정 LLM
Et Tu, Brute? 개인 AI 에이전트의 경제적 정렬 오류
SmoLSTM: 지속되는 순환 메모리를 갖춘 소형 비전-언어-행동 모델
Omni2Web: 시청각 웹사이트 개발 벤치마크
ME-VLM: 체화 인지와 에이전트 조정을 위한 통합 VLM
VLM 기반 비전-언어 내비게이션 모델은 무엇에 의존하는가: 정책 행동의 해석과 조종
월드 모델처럼 생각하고 VLA처럼 행동하기: 월드 모델 표현을 소형 로봇 정책으로 증류하기
GameHorizon Suite: 게임플레이에서의 다중 호라이즌 데이터 및 평가
RECAST: Expanding the Boundaries of LLMs' Complex Instruction Following with Multi-Constraint Data
SpecAlign: 합성 데이터를 통한 대규모 언어 모델의 효율적인 명세서 기반 정렬
EComAgentBench: 분산된 숨겨진 의도를 포함한 장기 작업에서 쇼핑 에이전트 벤치마킹
RealClawBench: 실제 개발자-에이전트 세션에서의 라이브 OpenClaw 벤치마크
SkillChain: 이미지 기반 전자상거래 AI 어시스턴트를 위한 스킬 진화의 루프 닫기
자연어 지시를 따르기 전 인간의 의도 추론하기
Know2Guess: 대규모 언어 모델의 지식 경계 평가를 위한 오염 인지 다중 영역 벤치마크
Index SLM 기술 보고서
언어가 다국어 LLM의 인스트럭션 계층 준수를 형성한다
구조화된 편집 프롬프트와 밀집-희소 융합을 활용한 CoVR-R용 Reason-Then-Retrieve
ChainWorld: 원자적 OSWorld 태스크로부터 장기 호라이즌 데스크톱 워크로드 구성
FronTalk: 멀티모달 피드백을 통한 대화형 코드 생성으로서의 프론트엔드 개발 벤치마크
OpenForgeRL: 어떤 환경에서든 하네스 네이티브 에이전트 학습
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.