EnigmaEval: A Benchmark of Long Multimodal Reasoning Challenges
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Wang, Clinton J., Lee, Dean, Menghini, Cristina, Mols, Johannes, Doughty, Jack, Khoja, Adam, Lynch, Jayson, Hendryx, Sean, Yue, Summer, Hendrycks, Dan |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
The MASK Benchmark: Disentangling Honesty From Accuracy in AI Systems
par: Ren, Richard, et autres
Publié: (2025)
par: Ren, Richard, et autres
Publié: (2025)
MultiChallenge: A Realistic Multi-Turn Conversation Evaluation Benchmark Challenging to Frontier LLMs
par: Sirdeshmukh, Ved, et autres
Publié: (2025)
par: Sirdeshmukh, Ved, et autres
Publié: (2025)
Reducing Political Manipulation with Consistency Training
par: Phan, Long, et autres
Publié: (2026)
par: Phan, Long, et autres
Publié: (2026)
ToolComp: A Multi-Tool Reasoning & Process Supervision Benchmark
par: Nath, Vaskar, et autres
Publié: (2025)
par: Nath, Vaskar, et autres
Publié: (2025)
Slant/Gokigen Naname is NP-complete, and Some Variations are in P
par: Lynch, Jayson, et autres
Publié: (2025)
par: Lynch, Jayson, et autres
Publié: (2025)
Subquadratic Approximation Algorithms for Separating Two Points with Objects in the Plane
par: Lynch, Jayson, et autres
Publié: (2025)
par: Lynch, Jayson, et autres
Publié: (2025)
Pre-Training Multimodal Hallucination Detectors with Corrupted Grounding Data
par: Whitehead, Spencer, et autres
Publié: (2024)
par: Whitehead, Spencer, et autres
Publié: (2024)
Introduction to AI Safety, Ethics, and Society
par: Hendrycks, Dan
Publié: (2024)
par: Hendrycks, Dan
Publié: (2024)
Introduction to AI Safety, Ethics, and Society
par: Hendrycks, Dan
Publié: (2024)
par: Hendrycks, Dan
Publié: (2024)
Progress over Points: Reframing LM Benchmarks Around Scientific Objectives
par: Jin, Alwin, et autres
Publié: (2025)
par: Jin, Alwin, et autres
Publié: (2025)
EvilGenie: A Reward Hacking Benchmark
par: Gabor, Jonathan, et autres
Publié: (2025)
par: Gabor, Jonathan, et autres
Publié: (2025)
Agent-RLVR: Training Software Engineering Agents via Guidance and Environment Rewards
par: Da, Jeff, et autres
Publié: (2025)
par: Da, Jeff, et autres
Publié: (2025)
Safetywashing: Do AI Safety Benchmarks Actually Measure Safety Progress?
par: Ren, Richard, et autres
Publié: (2024)
par: Ren, Richard, et autres
Publié: (2024)
Posibilidades de México para mejorar su sistema político / Manfred Mols
par: Mols, Manfred
Publié: (1940)
par: Mols, Manfred
Publié: (1940)
The Asian Crisis and the Roles and Future of APEC and ASEAN as Instruments of Crisis Management
par: Manfred Mols
Publié: (2000)
par: Manfred Mols
Publié: (2000)
Análisis. ¿Del siglo norteamericano al siglo del Pacífico asiático?
par: Manfred Mols
Publié: (2010)
par: Manfred Mols
Publié: (2010)
Revisiting the Superficial Alignment Hypothesis
par: Raghavendra, Mohit, et autres
Publié: (2024)
par: Raghavendra, Mohit, et autres
Publié: (2024)
Stimulus control of punishment effects: determining the controlling variables
par: Adam H. Doughty
Publié: (2007)
par: Adam H. Doughty
Publié: (2007)
Planning In Natural Language Improves LLM Search For Code Generation
par: Wang, Evan, et autres
Publié: (2024)
par: Wang, Evan, et autres
Publié: (2024)
Weaver: Interweaving SQL and LLM for Table Reasoning
par: Khoja, Rohit, et autres
Publié: (2025)
par: Khoja, Rohit, et autres
Publié: (2025)
Adaptive Guidance Accelerates Reinforcement Learning of Reasoning Models
par: Nath, Vaskar, et autres
Publié: (2025)
par: Nath, Vaskar, et autres
Publié: (2025)
SuiteEval: Simplifying Retrieval Benchmarks
par: Parry, Andrew, et autres
Publié: (2026)
par: Parry, Andrew, et autres
Publié: (2026)
Private equity acquisitions and product market decisions: Evidence from trademarks
par: Moazzam Khoja
Publié: (2025)
par: Moazzam Khoja
Publié: (2025)
Going 3D with Technology: An Overarching Approach for Language Teachers
par: Jason D. Hendryx
Publié: (2016)
par: Jason D. Hendryx
Publié: (2016)
A Baseline Analysis of Reward Models' Ability To Accurately Analyze Foundation Models Under Distribution Shift
par: LeVine, Will, et autres
Publié: (2023)
par: LeVine, Will, et autres
Publié: (2023)
Meek Models Shall Inherit the Earth
par: Gundlach, Hans, et autres
Publié: (2025)
par: Gundlach, Hans, et autres
Publié: (2025)
Superintelligence Strategy: Expert Version
par: Hendrycks, Dan, et autres
Publié: (2025)
par: Hendrycks, Dan, et autres
Publié: (2025)
Utility Engineering: Analyzing and Controlling Emergent Value Systems in AIs
par: Mazeika, Mantas, et autres
Publié: (2025)
par: Mazeika, Mantas, et autres
Publié: (2025)
Western Arabia in the Leiden Collections. Traces of a Colourful Past
par: Mols, Luitgard, et autres
Publié: (2017)
par: Mols, Luitgard, et autres
Publié: (2017)
Daily NOx emissions and lifetimes from Paris between May 2018 and July 2023 inferred from TROPOMI
par: Mols, Alba, et autres
Publié: (2025)
par: Mols, Alba, et autres
Publié: (2025)
Virology Capabilities Test (VCT): A Multimodal Virology Q&A Benchmark
par: Götting, Jasper, et autres
Publié: (2025)
par: Götting, Jasper, et autres
Publié: (2025)
Pini, M., Más Rocha, S., Gorostiaga, J., Tello, C., y Asprella, G. (coords.) La Educación Secundaria, ¿Modelo en (re)construcción?. Buenos Aires: Editorial Aique, pags. 252.
par: Raúl A. Menghini
Publié: (2016)
par: Raúl A. Menghini
Publié: (2016)
Presentación
par: Raúl A. Menghini
Publié: (2022)
par: Raúl A. Menghini
Publié: (2022)
Forging the Ideal Educated Girl (Volume 1.0)
par: Khoja-Moolji, Shenila
Publié: (2020)
par: Khoja-Moolji, Shenila
Publié: (2020)
Forging the Ideal Educated Girl
par: Khoja-Moolji, Shenila
Publié: (2018)
par: Khoja-Moolji, Shenila
Publié: (2018)
The discrete empirical interpolation method in class identification and data summarization
par: Emily P. Hendryx Lyons
Publié: (2024)
par: Emily P. Hendryx Lyons
Publié: (2024)
D-REX: A Benchmark for Detecting Deceptive Reasoning in Large Language Models
par: Krishna, Satyapriya, et autres
Publié: (2025)
par: Krishna, Satyapriya, et autres
Publié: (2025)
A Careful Examination of Large Language Model Performance on Grade School Arithmetic
par: Zhang, Hugh, et autres
Publié: (2024)
par: Zhang, Hugh, et autres
Publié: (2024)
AcademicEval: Live Long-Context LLM Benchmark
par: Zhang, Haozhen, et autres
Publié: (2025)
par: Zhang, Haozhen, et autres
Publié: (2025)
State Librarianship: Challenging the Enigma through Library Education.
par: Carter, Jane Robbins
Publié: (1980)
par: Carter, Jane Robbins
Publié: (1980)
Documents similaires
-
The MASK Benchmark: Disentangling Honesty From Accuracy in AI Systems
par: Ren, Richard, et autres
Publié: (2025) -
MultiChallenge: A Realistic Multi-Turn Conversation Evaluation Benchmark Challenging to Frontier LLMs
par: Sirdeshmukh, Ved, et autres
Publié: (2025) -
Reducing Political Manipulation with Consistency Training
par: Phan, Long, et autres
Publié: (2026) -
ToolComp: A Multi-Tool Reasoning & Process Supervision Benchmark
par: Nath, Vaskar, et autres
Publié: (2025) -
Slant/Gokigen Naname is NP-complete, and Some Variations are in P
par: Lynch, Jayson, et autres
Publié: (2025)