IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Li, Hanyu, Liu, Haoyu, Zhu, Tingyu, Guo, Tianyu, Zheng, Zeyu, Deng, Xiaotie, Jordan, Michael I. |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
How Large Language Models Need Symbolism
par: Deng, Xiaotie, et autres
Publié: (2025)
par: Deng, Xiaotie, et autres
Publié: (2025)
Implementing Long Text Style Transfer with LLMs through Dual-Layered Sentence and Paragraph Structure Extraction and Mapping
par: Wu, Yusen, et autres
Publié: (2025)
par: Wu, Yusen, et autres
Publié: (2025)
Discovering Expert-Level Nash Equilibrium Algorithms with Large Language Models
par: Li, Hanyu, et autres
Publié: (2025)
par: Li, Hanyu, et autres
Publié: (2025)
How Social is It? A Benchmark for LLMs' Capabilities in Multi-user Multi-turn Social Agent Tasks
par: Wu, Yusen, et autres
Publié: (2025)
par: Wu, Yusen, et autres
Publié: (2025)
How Do LLMs Perform Two-Hop Reasoning in Context?
par: Guo, Tianyu, et autres
Publié: (2025)
par: Guo, Tianyu, et autres
Publié: (2025)
AgentBench: Evaluating LLMs as Agents
par: Liu, Xiao, et autres
Publié: (2023)
par: Liu, Xiao, et autres
Publié: (2023)
An Information-Theoretic Criterion for Efficient Data Synthesis
par: Li, Hanyu, et autres
Publié: (2026)
par: Li, Hanyu, et autres
Publié: (2026)
Will AI Trade? A Computational Inversion of the No-Trade Theorem
par: Li, Hanyu, et autres
Publié: (2025)
par: Li, Hanyu, et autres
Publié: (2025)
TestAgent: Automatic Benchmarking and Exploratory Interaction for Evaluating LLMs in Vertical Domains
par: Wang, Wanying, et autres
Publié: (2024)
par: Wang, Wanying, et autres
Publié: (2024)
Reinforcement Learning for Chain of Thought Compression with One-Domain-to-All Generalization
par: Li, Hanyu, et autres
Publié: (2025)
par: Li, Hanyu, et autres
Publié: (2025)
POLIS-Bench: Towards Multi-Dimensional Evaluation of LLMs for Bilingual Policy Tasks in Governmental Scenarios
par: Yang, Tingyue, et autres
Publié: (2025)
par: Yang, Tingyue, et autres
Publié: (2025)
MoralBench: Moral Evaluation of LLMs
par: Ji, Jianchao, et autres
Publié: (2024)
par: Ji, Jianchao, et autres
Publié: (2024)
CCR-Bench: A Comprehensive Benchmark for Evaluating LLMs on Complex Constraints, Control Flows, and Real-World Cases
par: Xue, Xiaona, et autres
Publié: (2026)
par: Xue, Xiaona, et autres
Publié: (2026)
AQA-Bench: An Interactive Benchmark for Evaluating LLMs' Sequential Reasoning Ability
par: Yang, Siwei, et autres
Publié: (2024)
par: Yang, Siwei, et autres
Publié: (2024)
VF-Eval: Evaluating Multimodal LLMs for Generating Feedback on AIGC Videos
par: Song, Tingyu, et autres
Publié: (2025)
par: Song, Tingyu, et autres
Publié: (2025)
DialogBench: Evaluating LLMs as Human-like Dialogue Systems
par: Ou, Jiao, et autres
Publié: (2023)
par: Ou, Jiao, et autres
Publié: (2023)
ProMoral-Bench: Evaluating Prompting Strategies for Moral Reasoning and Safety in LLMs
par: Thomas, Rohan Subramanian, et autres
Publié: (2026)
par: Thomas, Rohan Subramanian, et autres
Publié: (2026)
Evaluating and Enhancing LLMs Agent based on Theory of Mind in Guandan: A Multi-Player Cooperative Game under Imperfect Information
par: Yim, Yauwai, et autres
Publié: (2024)
par: Yim, Yauwai, et autres
Publié: (2024)
MALLES: A Multi-agent LLMs-based Economic Sandbox with Consumer Preference Alignment
par: Wu, Yusen, et autres
Publié: (2026)
par: Wu, Yusen, et autres
Publié: (2026)
BizFinBench: A Business-Driven Real-World Financial Benchmark for Evaluating LLMs
par: Lu, Guilong, et autres
Publié: (2025)
par: Lu, Guilong, et autres
Publié: (2025)
HCAG: Hierarchical Abstraction and Retrieval-Augmented Generation on Theoretical Repositories with LLMs
par: Wu, Yusen, et autres
Publié: (2026)
par: Wu, Yusen, et autres
Publié: (2026)
Evaluating LLMs with Multiple Problems at once
par: Wang, Zhengxiang, et autres
Publié: (2024)
par: Wang, Zhengxiang, et autres
Publié: (2024)
Magis-Bench: Evaluating LLMs on Magistrate-Level Legal Tasks
par: Pires, Ramon, et autres
Publié: (2026)
par: Pires, Ramon, et autres
Publié: (2026)
DentalBench: Benchmarking and Advancing LLMs Capability for Bilingual Dentistry Understanding
par: Zhu, Hengchuan, et autres
Publié: (2025)
par: Zhu, Hengchuan, et autres
Publié: (2025)
Dual-Modality Multi-Stage Adversarial Safety Training: Robustifying Multimodal Web Agents Against Cross-Modal Attacks
par: Liu, Haoyu, et autres
Publié: (2026)
par: Liu, Haoyu, et autres
Publié: (2026)
Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference
par: Chiang, Wei-Lin, et autres
Publié: (2024)
par: Chiang, Wei-Lin, et autres
Publié: (2024)
MemBench: Towards More Comprehensive Evaluation on the Memory of LLM-based Agents
par: Tan, Haoran, et autres
Publié: (2025)
par: Tan, Haoran, et autres
Publié: (2025)
CodeScope: An Execution-based Multilingual Multitask Multidimensional Benchmark for Evaluating LLMs on Code Understanding and Generation
par: Yan, Weixiang, et autres
Publié: (2023)
par: Yan, Weixiang, et autres
Publié: (2023)
SKA-Bench: A Fine-Grained Benchmark for Evaluating Structured Knowledge Understanding of LLMs
par: Liu, Zhiqiang, et autres
Publié: (2025)
par: Liu, Zhiqiang, et autres
Publié: (2025)
Can LLMs Think Like Consumers? Benchmarking Crowd-Level Reaction Reconstruction with ConsumerSimBench
par: Wang, Tianyu, et autres
Publié: (2026)
par: Wang, Tianyu, et autres
Publié: (2026)
ResearchCodeBench: Benchmarking LLMs on Implementing Novel Machine Learning Research Code
par: Hua, Tianyu, et autres
Publié: (2025)
par: Hua, Tianyu, et autres
Publié: (2025)
CricBench: A Multilingual Benchmark for Evaluating LLMs in Cricket Analytics
par: Agarwal, Parth, et autres
Publié: (2025)
par: Agarwal, Parth, et autres
Publié: (2025)
FB-Bench: A Fine-Grained Multi-Task Benchmark for Evaluating LLMs' Responsiveness to Human Feedback
par: Li, Youquan, et autres
Publié: (2024)
par: Li, Youquan, et autres
Publié: (2024)
BabelBench: An Omni Benchmark for Code-Driven Analysis of Multimodal and Multistructured Data
par: Wang, Xuwu, et autres
Publié: (2024)
par: Wang, Xuwu, et autres
Publié: (2024)
Iterative Data Smoothing: Mitigating Reward Overfitting and Overoptimization in RLHF
par: Zhu, Banghua, et autres
Publié: (2024)
par: Zhu, Banghua, et autres
Publié: (2024)
CDTP: A Large-Scale Chinese Data-Text Pair Dataset for Comprehensive Evaluation of Chinese LLMs
par: Wu, Chengwei, et autres
Publié: (2025)
par: Wu, Chengwei, et autres
Publié: (2025)
Sudoku-Bench: Evaluating creative reasoning with Sudoku variants
par: Seely, Jeffrey, et autres
Publié: (2025)
par: Seely, Jeffrey, et autres
Publié: (2025)
A Systematic Evaluation of Preference Aggregation in Federated RLHF for Pluralistic Alignment of LLMs
par: Srewa, Mahmoud, et autres
Publié: (2025)
par: Srewa, Mahmoud, et autres
Publié: (2025)
Data Analysis and Performance Evaluation of Simulation Deduction Based on LLMs
par: Zhang, Shansi, et autres
Publié: (2025)
par: Zhang, Shansi, et autres
Publié: (2025)
Does Tone Change the Answer? Evaluating Prompt Politeness Effects on Modern LLMs: GPT, Gemini, and LLaMA
par: Cai, Hanyu, et autres
Publié: (2025)
par: Cai, Hanyu, et autres
Publié: (2025)
Documents similaires
-
How Large Language Models Need Symbolism
par: Deng, Xiaotie, et autres
Publié: (2025) -
Implementing Long Text Style Transfer with LLMs through Dual-Layered Sentence and Paragraph Structure Extraction and Mapping
par: Wu, Yusen, et autres
Publié: (2025) -
Discovering Expert-Level Nash Equilibrium Algorithms with Large Language Models
par: Li, Hanyu, et autres
Publié: (2025) -
How Social is It? A Benchmark for LLMs' Capabilities in Multi-user Multi-turn Social Agent Tasks
par: Wu, Yusen, et autres
Publié: (2025) -
How Do LLMs Perform Two-Hop Reasoning in Context?
par: Guo, Tianyu, et autres
Publié: (2025)