实体
WildBench
WildBench
PulseAugur coverage of WildBench — every cluster mentioning WildBench across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 1
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
Alice 和 GigaChat AI 模型在五个基准测试上的比较
对俄罗斯 AI 模型 Alice (Yandex) 和 GigaChat (Sber) 在五个基准测试上进行了比较：τ³, PRAKT-120, MultiChallenge, WildBench 和 Arena-Hard。测试过程非常广泛，由于设置、等待时间和模型不稳定，大约持续了两周。作者指出，虽然 Marusya AI 最初计划包含在内，但它目前正在重构为一个主权编码环境。因此，展示的结果集中在 Alice、GigaChat U…
-
新研究通过逼真的用户画像来解决AI代理的训练问题
两篇新研究论文探讨了当前用户模拟器在训练AI代理方面的局限性。第一篇论文介绍了Persona Policies (PPol)方法，该方法可以为模拟器生成更逼真、更多样化的用户画像，从而使AI代理在与真实用户交互时更加鲁棒。第二篇论文通过衡量使用用户模拟器训练出的AI助手与真实人类的性能对比，量化了用户模拟器的效用，发现基于真实人类行为的用户模拟器比基于简单角色扮演LLM的用户模拟器能产生显著更好的结果。