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.
ETC: Extreme Token Compression via Task-aware Visual Information Distillation in VLMs
행동 전 예측: 미래 상태 조건 비전-언어 내비게이션
전략적 확장: 바이어스 인식 평가 및 데이터 수집을 통한 로봇 조작의 조합적 일반화 학습
효과적인 계획 및 도구 사용을 위한 In-the-Flow 에이전트 시스템 최적화
Prober.ai: LLM 제약 페르소나 기반 게이트 탐구형 피드백을 통한 논증적 글쓰기 개발
Fara-1.5: 컴퓨터 사용 에이전트를 위한 확장 가능한 학습 환경
FORCE-Bench: 기업 금융 분야 에이전트 AI를 위한 벤치마크, 데이터셋 및 평가 하네스
LLM 선호 정렬을 위한 더 나은 사고 보상
DocOps: 복잡한 문서 작업에서 자율 에이전트를 위한 검증 가능한 벤치마크
Xiaomi-Robotics-1: 10만 시간 이상의 실세계 궤적으로 비전-언어-액션 모델 스케일링
RS-RIE-Bench: 추론 기반 원격 탐사 영상 편집 벤치마킹
RubricRL: Simple Generalizable Rewards for Text-to-Image Generation
ABot-N1: 범용 시각-언어 내비게이션 파운데이션 모델을 향하여
시각-언어 내비게이션을 위한 인스턴스 강화 의미 지도
모델이 무엇을 표현하고, 억제하며, 저항하는가: 페르소나 벡터를 이용한 가중치 공개 LLM 감사
MAG: 멀티모달 액션 및 가이드 생성을 위한 웹 에이전트 벤치마크 및 하네스
SEED: 에이전틱 강화학습을 위한 자기 진화 온-정책 증류
OmniaBench: 다양한 시나리오에 걸친 범용 AI 에이전트 벤치마킹
SciDiagramEdit: 논문 수정본으로부터 과학 다이어그램 편집 학습
분기 정책 최적화: 샌드박스 네이티브 언어 에이전트 강화학습
온-정책 델타 증류
ToolAnchor: 반사실적 컨텍스트 앵커링을 통한 에이전트 도구 사용 능력 향상
AI 에이전트는 혼자 실패하지 않는다: 컨텍스트가 먼저 실패한다
ToolAlignBench: 도구 호출 LLM의 정렬 충돌 조사
Tactile: 컴퓨터 사용 에이전트에 손과 발을 제공
SafeRelBench: VLM 기반 체화 에이전트의 프로세스 수준 안전성을 위한 공간 관계 인식 벤치마크
뇌 종양학에서 시각 지시 미세조정을 위한 다중 LLM 협력 MRI 보고서 생성
Action QFormer: 비전-언어-액션 모델에서 액션 지도를 통한 구조화된 표현 형성
Plover: 계획 중심 상호작용을 통한 GUI 에이전트 조향
언어는 안전하지만 행동은 치명적일 때: 은닉 상태 위험 공간에서 텍스트 안전성을 넘어선 물리적 위험 프로빙
LaViDa: 멀티모달 이해를 위한 대규모 디퓨전 언어 모델
RePlan: 복잡한 지시 기반 이미지 편집을 위한 추론 기반 영역 계획
PhotoAgent: Exploratory Visual Aesthetic Planning with Large Vision Models
일반화 가능한 로봇 제어를 위한 네이티브 비디오-액션 사전학습
MultiRef-Compass: 다중 참조 오디오-비디오 생성의 포괄적 평가를 향하여
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.