PulseAugur
中
实时 19:51:54
实体 PeakBench

PeakBench

PulseAugur coverage of PeakBench — every cluster mentioning PeakBench across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
  1. TOOL · CL_282714 ·

    新的Fan-Out基准测试LLM在并发工具调用中的安全性

    一项名为Fan-Out的新基准测试挑战已被开发出来,用于评估大型语言模型(LLM)在安全高效地处理并发工具调用方面的能力,尤其是在这些调用共享通用状态时。该基准测试衡量安全性、最优调度和速度,结果显示谷歌的Gemini模型在最难的环节中表现最佳,实现了高安全性和最优调度百分比。其他模型,如Anthropic的Claude和OpenAI的GPT-5.4-mini,也表现出不同程度的成功,一些模型在安全性方面表现出色,但在复杂的多代理场景…

  2. TOOL · CL_220096 ·

    新的PeakBench基准测试揭示AI代理因资源限制而执行失败

    引入了一个名为PeakBench的新基准测试,用于评估AI代理的执行能力,超越了简单的规划准确性。该基准测试表明,代理可以识别可并行化的任务,但由于执行期间的资源限制而仍然失败。PeakBench将评估分为逻辑规划和物理调度,揭示即使依赖关系图准确,模型在遵守资源限制方面仍然存在困难,导致崩溃。对包括GPT-5和DeepSeek-V4-Flash在内的八种不同模型的测试表明,它们在逻辑规划和物理调度方面的表现各不相同,GPT-5在逻辑…