ベンチマーク - 亜美と智也のAI論文解説 - Page 5

7月 31 2026

LLMの確率判断に潜む楽観バイアスを検出するOptimismBench

投稿者: ユウ

TL;DR LLMが「成功確率70%」「失敗確率15%」と答えるとき、…

7月 30 2026

AnnoBench：可視化アノテーションの品質を測るベンチマークと評価フレームワーク

投稿者: ユウ

TL;DR AnnoBenchは、LLM/VLMが生成するチャートアノ…

7月 29 2026

リポジトリ全体のコード推論を評価するベンチマーク「RepoReasoner」の設計と知見

投稿者: ユウ

TL;DR RepoReasonerは、LLMが複数ファイルにまたがる…

7月 29 2026

フランス移民法RAGベンチマーク：許可証分類精度が最大26.9ポイント向上

投稿者: ユウ

TL;DR フランスの外国人採用における行政手続き（在留許可の種類・必…

7月 28 2026

ER図からデータベーススキーマを復元するVLM評価ベンチマーク「ERUnderstand」

投稿者: ユウ

TL;DR ERUnderstandは、VLMがER図からデータベース…

7月 28 2026

化学実験ロボットの故障分析ベンチマークLabRobFail：自動故障注入と6次元評価

投稿者: ユウ

TL;DR LabRobFailは、化学自走実験室向けの故障分析フレー…

7月 23 2026

2段階メタルーブリックで評価する事実完全性：GAMUTベンチマークの実装解説

投稿者: ユウ

TL;DR GAMUTは、長文生成の事実完全性（回答に必要な全情報が含…

7月 21 2026

信念の表現方法がLLMの応答を変える：19種類の言語バリエーションを評価

投稿者: ユウ

TL;DR ユーザーがLLMに信念を伝える際、同じ事実内容でも「言い方…

7月 21 2026

LLM支援設計の工程別診断：振動発電デバイス設計ベンチマークVEHBench

投稿者: ユウ

TL;DR VEHBenchは、LLMが振動発電デバイス設計の各工程（…

7月 18 2026

ドイツ科学文献の自動主題索引：XMLCとLLM生成手法のベンチマーク比較

投稿者: ユウ

TL;DR ドイツ国立図書館の大規模統制語彙（GND-204K）を対象…

亜美と智也について・このサイトの計測について