实体 EvoGenUI-Bench

EvoGenUI-Bench

PulseAugur coverage of EvoGenUI-Bench — every cluster mentioning EvoGenUI-Bench 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_228693 · Sep 1 · 04:00

新基准测试LLM作为多轮生成式UI助手

研究人员推出了EvoGenUI-Bench，这是一个旨在评估大型语言模型（LLM）作为多轮生成式UI助手能力的新基准。该基准包含150个跨越三个场景的五轮任务：信息呈现、可执行交互和工具驱动的外部状态。评估涉及在浏览器中执行生成的产物，并通过各种指标进行评估，包括轮次成功率、回合完成率和跨轮保留率。即使是表现最好的模型也面临挑战，最强的模型在五轮回合中仅达到74.9%的轮次通过率和37.3%的回合完成率，这凸显了在产物演变过程中保持同…