Tag: evaluation

All the articles with the tag "evaluation".

• 6.0

  Escaping the Agreement Trap: Defensibility Signals for Rule-Governed AI

  2026年04月24日

  · arXiv· 04/24 08:00 采集

  提出 Defensibility Index 评估规则型 AI 系统，打破传统一致性指标的 Agreement Trap

• 6.0

  GPT-5.5 System Card

  2026年04月23日

  · OpenAI· 04/24 08:00 采集

  GPT-5.5 System Card：完整的安全评估和能力边界说明

• 6.0

  Beyond Rating: A Comprehensive Evaluation and Benchmark for AI Reviews

  2026年04月22日

  · cs.CL updates on arXiv.org· 04/22 14:31 采集

  Beyond Rating：评估AI审稿文本论证质量的整体框架，超越标量评分范式

• 7.0

  Lost in Translation: Do LVLM Judges Generalize Across Languages?

  2026年04月22日

  · cs.CL updates on arXiv.org· 04/22 14:31 采集

  MM-JudgeBench：首个大规模多语言多模态评判基准，揭示LVLM评估器的跨语言泛化缺陷

• 7.0

  Are Large Language Models Economically Viable for Industry Deployment?

  2026年04月22日

  · cs.CL updates on arXiv.org· 04/22 14:31 采集

  从能源、延迟、硬件利用率等工业约束角度审视LLM经济可行性，批判纯accuracy评估范式

• 6.0

  An Empirical Study of Multi-Generation Sampling for Jailbreak Detection in Large Language Models

  2026年04月22日

  · cs.CL updates on arXiv.org· 04/22 14:31 采集

  真实条件下输出型jailbreak检测的实证研究，对比TF-IDF和生成不一致性检测器

• 7.5

  LLM 评估：AI 的新瓶颈

  2026年03月15日

  · ML Frontiers· 03/16 18:32 采集

  语言模型进步速度超过了我们可靠测量它们的能力，这正在成为一个问题

• 8.7

  METR 研究：大量通过 SWE-bench 的 PR 实际上不会被合并

  2026年03月10日

  · METR / Hacker News

  METR 研究发现，许多在 SWE-bench 上获得通过评分的 AI 生成 PR，其质量远达不到实际代码审查标准。