Benchmark - 亜美と智也のAI論文解説

8月 07 2026

0

ツール呼び出しはJSONよりコードが有利？14モデルで検証した実務向け比較

投稿者: ユウ

TL;DR LLMに外部ツールを呼び出させる方法として、従来のJSON…

7月 29 2026

0

LLMが命令の優先順位を守るか？IH-BENCHMARKで階層ロバストネスを評価

投稿者: ユウ

TL;DR IH-BENCHMARKは、LLMがシステム→ユーザー（S…

7月 23 2026

0

アラビア語QA向け幻覚検出ベンチマーク：HalluTruthQAの設計と評価

投稿者: ユウ

TL;DR HalluTruthQAは、アラビア語QAにおけるLLMの…

7月 19 2026

0

Alipay-PIBench：決済統合に特化したコーディングエージェント評価ベンチマーク

投稿者: ユウ

TL;DR Alipay-PIBenchは、Alipayの決済プロダク…

7月 18 2026

0

時間制約を考慮した知識グラフ質問生成ベンチマーク「ChronoQG」の構築手法

投稿者: ユウ

TL;DR ChronoQGは、時間的知識グラフから時間制約を正しく反…

7月 14 2026

0

E-VQA：動画の答えと根拠をピクセル単位で示す新タスク

投稿者: ユウ

TL;DR 既存のVideo LLMは回答のみを出力し、なぜその答えに…

1月 30 2026

0

AIの暴走を「手遅れ」になる前に止める！新ベンチマークStepShieldの凄さ

投稿者: ユウ

解説ねえねえ智也くん！この『StepShield』って論文、なんか強…

1月 21 2026

0

AIは本物のエンジニアになれる？バックエンド開発の全工程に挑む新テスト『ABC-Bench』！

投稿者: ユウ

解説ねえねえ智也くん！この『ABC-Bench』っていう論文、タイト…

1月 15 2026

0

AIが企業の「誠実さ」を丸裸に！？プロ級のESG分析を行う最強エージェント現る

投稿者: ユウ

解説ねえねえ智也くん！この「ESGインテリジェンス」っていう論文、タ…