タグ: Evaluation

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 14 2026

0

推論・サンプリングでは届かない性能向上：Interaction Scalingと接地の重要性

投稿者: ユウ

TL;DR 推論時計算量を増やす方法として、推論（思考時間増加）とサン…

7月 14 2026

0

LLMの「忘れる」を正しく評価する：非対称な汎化問題とSUITEプロトコル

投稿者: ユウ

TL;DR LLMのアンラーニング（特定知識の削除）は、忘れるべき事実…

2月 25 2026

0

AIがAIをテストする時代？知識の地図で賢い問題を作る「KNIGHT」がすごい！

投稿者: ユウ

解説 ねえねえ智也くん！この「KNIGHT（ナイト）」っていう論文のタ…

5月 11 2024

0

AIが学生の試験を採点？！未来の教育評価に革命を

投稿者: ユウ

解説 ねえ智也くん、この論文のタイトル見て興味が湧いたんだけど、「大規…

4月 29 2024

0

RAGシステム評価の新しいアプローチ：INSPECTORRAGETについて

投稿者: ユウ

解説 ねえ智也くん、この「INSPECTORRAGET: An Int…

4月 21 2024

0

LLMの評価指標についての解説

投稿者: ユウ

解説 ねえ智也くん、この論文のタイトル「LLM評価に焦点を当てた指標の…

4月 19 2024

0

大規模言語モデルのフェデレーテッド評価について

投稿者: ユウ

解説 ねえ智也くん、この論文のタイトル「FedEval-LLM: Fe…

4月 19 2024

0

ViLLM-Evalについての解説

投稿者: ユウ

解説 ねえ智也くん、この「ViLLM-Eval: ベトナム語の大規模言…

4月 15 2024

0

大規模言語モデルにおける新しい推論評価とその未来

投稿者: ユウ

解説 ねえ智也くん、この論文のタイトル「大規模言語モデルにおける段階的…