实体 CORE-Bench v1.1

CORE-Bench v1.1

PulseAugur coverage of CORE-Bench v1.1 — every cluster mentioning CORE-Bench v1.1 across labs, papers, and developer communities, ranked by signal.

总计 · 30天

1

90 天内 1

发布 · 30天

0

90 天内 0

论文 · 30天

1

90 天内 1

层级分布 · 90 天

主题

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

TOOL · CL_111644 · Jun 26 · 04:00

新的基准方法超越准确性评估AI代理

一篇新的研究论文提出，即使在基准饱和的情况下，也要超越以准确性为中心的AI代理评估。该研究使用计算可复现性基准CORE-Bench Hard，通过评估代理在六个其他维度上的表现来展示其价值：构造有效性、分布外泛化性、效率、可靠性、模型与支架性能以及人机协作提升。作者们引入了一个改进的基准CORE-Bench v1.1和一个分布外任务套件CORE-Bench OOD，以促进这种更广泛的评估。他们的发现表明，即使在准确性饱和之后，这些维度…