ベンチマーク - 亜美と智也のAI論文解説 - Page 2

8月 21 2026

ワイン知識ベンチマークOenoBench：LLM評価の新手法と実務への示唆

投稿者: ユウ

TL;DR OenoBenchは、ワイン領域に特化した3,266問の多…

8月 18 2026

内視鏡動画向け時間的視覚言語モデルの堅牢性評価と軽量適応手法

投稿者: ユウ

TL;DR 内視鏡手術動画を対象に、時間的視覚言語モデル（TVLM）が…

8月 17 2026

バイエルン文化と言語を測る新ベンチマーク：BAVGROUNDの実務的活用法

投稿者: ユウ

TL;DR BAVGROUNDは、バイエルン地域の文化知識と方言能力を…

8月 16 2026

研究アイデアを自動評価するLigBench：人間の判断に近づく統一ベンチマーク

投稿者: ユウ

TL;DR LigBenchは、LLMが生成した研究アイデアを、人間の…

8月 16 2026

LLMによる形式仕様生成の実力を測る新評価手法COINS

投稿者: ユウ

TL;DR LLMが生成する形式仕様の品質を、テストケースへの証明可能…

8月 16 2026

視覚言語モデルは「分からない」を内部で知っているのに答えを止められない——TRAPSBenchが示す表現ギャップ

投稿者: ユウ

TL;DR 視覚言語モデル（VLM）は、映像から答えが確定できない状況…

8月 16 2026

囲碁の死活問題でLLMの探索効率を測るTsuGO：推論の質を可視化する新ベンチマーク

投稿者: ユウ

TL;DR TsuGOは、囲碁の死活問題を使ってLLMの推論プロセスを…

8月 14 2026

実世界のAIフレームワークでTritonカーネル生成を評価する新ベンチマーク

投稿者: ユウ

TL;DR 既存のTritonカーネル生成ベンチマークは、PyTorc…

8月 14 2026

人間の手をロボットの手に変換する画像編集ベンチマーク「HandEdit」の実務解説

投稿者: ユウ

TL;DR HandEditは、人間の手と腕が写る一人称視点の画像を、…

8月 13 2026

SPICEネットリスト操作におけるLLM信頼性を検証するNetlistBench

投稿者: ユウ

TL;DR NetlistBenchは、LLMがSPICEネットリスト…

亜美と智也について・このサイトの計測について