Buchumschlag

EvolMathEval: Towards Evolvable Benchmarks for Mathematical Reasoning via Evolutionary Testing

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Shengbo, Liu, Mingwei, Li, Zike, Li, Anji, Wang, Yanlin, Peng, Xin, Zheng, Zibin
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Preliminary Study on the Robustness of Code Generation by Large Language Models
von: Li, Zike, et al.
Veröffentlicht: (2025)

A Hierarchical and Evolvable Benchmark for Fine-Grained Code Instruction Following with Multi-Turn Feedback
von: Duan, Guoliang, et al.
Veröffentlicht: (2025)

KTester: Leveraging Domain and Testing Knowledge for More Effective LLM-based Test Generation
von: Li, Anji, et al.
Veröffentlicht: (2025)

Build-Aware Incremental C-to-Rust Migration via Skeleton-First Translation and Historical Knowledge Reuse
von: Wang, Shengbo, et al.
Veröffentlicht: (2026)

FeedbackEval: A Benchmark for Evaluating Large Language Models in Feedback-Driven Code Repair Tasks
von: Dai, Dekun, et al.
Veröffentlicht: (2025)

WizardMath: Empowering Mathematical Reasoning for Large Language Models via Reinforced Evol-Instruct
von: Luo, Haipeng, et al.
Veröffentlicht: (2023)

AdaDec: A Uncertainty-Guided Lookahead Decoding Framework for LLM-Based Code Generation
von: He, Kaifeng, et al.
Veröffentlicht: (2025)

RustEvo^2: An Evolving Benchmark for API Evolution in LLM-based Rust Code Generation
von: Liang, Linxi, et al.
Veröffentlicht: (2025)

CoSQA+: Pioneering the Multi-Choice Code Search Benchmark with Test-Driven Agents
von: Gong, Jing, et al.
Veröffentlicht: (2024)

VisioMath: Benchmarking Figure-based Mathematical Reasoning in LMMs
von: Li, Can, et al.
Veröffentlicht: (2025)

RustRepoTrans: Repository-level Code Translation Benchmark Targeting Rust
von: Ou, Guangsheng, et al.
Veröffentlicht: (2024)

Are Decoder-Only Large Language Models the Silver Bullet for Code Search?
von: Chen, Yuxuan, et al.
Veröffentlicht: (2024)

Generating High-Quality Datasets for Code Editing via Open-Source Language Models
von: Zhang, Zekai, et al.
Veröffentlicht: (2025)

DotaMath: Decomposition of Thought with Code Assistance and Self-correction for Mathematical Reasoning
von: Li, Chengpeng, et al.
Veröffentlicht: (2024)

RoMath: A Mathematical Reasoning Benchmark in Romanian
von: Cosma, Adrian, et al.
Veröffentlicht: (2024)

VisAidMath: Benchmarking Visual-Aided Mathematical Reasoning
von: Ma, Jingkun, et al.
Veröffentlicht: (2024)

Bridging Generation and Training: A Systematic Review of Quality Issues in LLMs for Code
von: He, Kaifeng, et al.
Veröffentlicht: (2026)

A Historical Trajectory Assisted Optimization Method for Zeroth-Order Federated Learning
von: Wu, Chenlin, et al.
Veröffentlicht: (2024)

GraCoRe: Benchmarking Graph Comprehension and Complex Reasoning in Large Language Models
von: Yuan, Zike, et al.
Veröffentlicht: (2024)

FrontierMath: A Benchmark for Evaluating Advanced Mathematical Reasoning in AI
von: Glazer, Elliot, et al.
Veröffentlicht: (2024)

Direct Preference-Based Evolutionary Multi-Objective Optimization with Dueling Bandit
von: Huang, Tian, et al.
Veröffentlicht: (2023)

Beyond Functional Correctness: Investigating Coding Style Inconsistencies in Large Language Models
von: Wang, Yanlin, et al.
Veröffentlicht: (2024)

MathChat: Benchmarking Mathematical Reasoning and Instruction Following in Multi-Turn Interactions
von: Liang, Zhenwen, et al.
Veröffentlicht: (2024)

Agent Hospital: A Simulacrum of Hospital with Evolvable Medical Agents
von: Li, Junkai, et al.
Veröffentlicht: (2024)

SkillEvolBench: Benchmarking the Evolution from Episodic Experience to Procedural Skills
von: Lei, Yingtie, et al.
Veröffentlicht: (2026)

ConceptMath: A Bilingual Concept-wise Benchmark for Measuring Mathematical Reasoning of Large Language Models
von: Wu, Yanan, et al.
Veröffentlicht: (2024)

MathScale: Scaling Instruction Tuning for Mathematical Reasoning
von: Tang, Zhengyang, et al.
Veröffentlicht: (2024)

EvolVE: Evolutionary Search for LLM-based Verilog Generation and Optimization
von: Hsin, Wei-Po, et al.
Veröffentlicht: (2026)

Population-Evolve: a Parallel Sampling and Evolutionary Method for LLM Math Reasoning
von: Zhang, Yanzhi, et al.
Veröffentlicht: (2025)

MathNet: a Global Multimodal Benchmark for Mathematical Reasoning and Retrieval
von: Alshammari, Shaden, et al.
Veröffentlicht: (2026)

We-Math 2.0: A Versatile MathBook System for Incentivizing Visual Mathematical Reasoning
von: Qiao, Runqi, et al.
Veröffentlicht: (2025)

Top General Performance = Top Domain Performance? DomainCodeBench: A Multi-domain Code Generation Benchmark
von: Zheng, Dewu, et al.
Veröffentlicht: (2024)

Knowledge-Graph-Driven Data Synthesis for Low-Resource Software Development: A HarmonyOS Case Study
von: Liu, Mingwei, et al.
Veröffentlicht: (2025)

FormalMATH: Benchmarking Formal Mathematical Reasoning of Large Language Models
von: Yu, Zhouliang, et al.
Veröffentlicht: (2025)

DeepMath-Creative: A Benchmark for Evaluating Mathematical Creativity of Large Language Models
von: Chen, Xiaoyang, et al.
Veröffentlicht: (2025)

MathCoder2: Better Math Reasoning from Continued Pretraining on Model-translated Mathematical Code
von: Lu, Zimu, et al.
Veröffentlicht: (2024)

AgentMath: Empowering Mathematical Reasoning for Large Language Models via Tool-Augmented Agent
von: Luo, Haipeng, et al.
Veröffentlicht: (2025)

MathMixup: Boosting LLM Mathematical Reasoning with Difficulty-Controllable Data Synthesis and Curriculum Learning
von: Li, Xuchen, et al.
Veröffentlicht: (2026)

DeepSeekMath-V2: Towards Self-Verifiable Mathematical Reasoning
von: Shao, Zhihong, et al.
Veröffentlicht: (2025)

MathFimer: Enhancing Mathematical Reasoning by Expanding Reasoning Steps through Fill-in-the-Middle Task
von: Yan, Yuchen, et al.
Veröffentlicht: (2025)