Buchumschlag

ReliabilityBench: Evaluating LLM Agent Reliability Under Production-Like Stress Conditions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Gupta, Aayush
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence 68T50, 68T05, 68M15 I.2.7; D.2.5; C.4
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fact Grounded Attention: Eliminating Hallucination in Large Language Models Through Attention Level Knowledge Integration
von: Gupta, Aayush
Veröffentlicht: (2025)

LemmaBench: A Live, Research-Level Benchmark to Evaluate LLM Capabilities in Mathematics
von: Peyronnet, Antoine, et al.
Veröffentlicht: (2026)

React-ing to Grace Hopper 200: Five Open-Weights Coding Models, One React Native App, One GH200, One Weekend
von: Potanin, Alex
Veröffentlicht: (2026)

NeuroState-Bench: A Human-Calibrated Benchmark for Commitment Integrity in LLM Agent Profiles
von: Jia, Xiao
Veröffentlicht: (2026)

Aligning LLMs for Multilingual Consistency in Enterprise Applications
von: Agarwal, Amit, et al.
Veröffentlicht: (2025)

When No Benchmark Exists: Validating Comparative LLM Safety Scoring Without Ground-Truth Labels
von: Gautam, Sushant, et al.
Veröffentlicht: (2026)

Classifier-Augmented Generation for Structured Workflow Prediction
von: Gschwind, Thomas, et al.
Veröffentlicht: (2025)

MEDLEY-BENCH: Scale Buys Evaluation but Not Control in AI Metacognition
von: Abtahi, Farhad, et al.
Veröffentlicht: (2026)

Bug In the Code Stack: Can LLMs Find Bugs in Large Python Code Stacks
von: Lee, Hokyung, et al.
Veröffentlicht: (2024)

SLEAN: Simple Lightweight Ensemble Analysis Network for Multi-Provider LLM Coordination: Design, Implementation, and Vibe Coding Bug Investigation Case Study
von: Vargas, Matheus J. T.
Veröffentlicht: (2025)

Generative AI and the Transformation of Software Development Practices
von: Acharya, Vivek
Veröffentlicht: (2025)

A Computational Approach to Modeling Conversational Systems: Analyzing Large-Scale Quasi-Patterned Dialogue Flows
von: Ammar, Mohamed Achref Ben, et al.
Veröffentlicht: (2025)

From Noise to Diversity: Random Embedding Injection in LLM Reasoning
von: Kim, Heejun, et al.
Veröffentlicht: (2026)

Vis-CoT: A Human-in-the-Loop Framework for Interactive Visualization and Intervention in LLM Chain-of-Thought Reasoning
von: Pather, Kaviraj, et al.
Veröffentlicht: (2025)

BMAM: Brain-inspired Multi-Agent Memory Framework
von: Li, Yang, et al.
Veröffentlicht: (2026)

Co-NAML-LSTUR: A Combined Model with Attentive Multi-View Learning and Long- and Short-term User Representations for News Recommendation
von: Nguyen, Minh Hoang, et al.
Veröffentlicht: (2025)

D-SMART: Enhancing LLM Dialogue Consistency via Dynamic Structured Memory And Reasoning Tree
von: Lei, Xiang, et al.
Veröffentlicht: (2025)

Hallucination Detection in Large Language Models with Metamorphic Relations
von: Yang, Borui, et al.
Veröffentlicht: (2025)

Harnessing non-adversarial robustness in large language models
von: Zhou, Qinghua, et al.
Veröffentlicht: (2026)

Mitigating LLM Hallucinations through Domain-Grounded Tiered Retrieval
von: Haque, Md. Asraful, et al.
Veröffentlicht: (2026)

Rule Extraction in Machine Learning: Chat Incremental Pattern Constructor
von: Nwokocha, Caleb Princewill
Veröffentlicht: (2022)

How much do LLMs learn from negative examples?
von: Hamdan, Shadi, et al.
Veröffentlicht: (2025)

Conformal Path Reasoning: Trustworthy Knowledge Graph Question Answering via Path-Level Calibration
von: Lin, Shuhang, et al.
Veröffentlicht: (2026)

Enhancing Ultra-Low-Bit Quantization of Large Language Models Through Saliency-Aware Partial Retraining
von: Cao, Deyu, et al.
Veröffentlicht: (2025)

Kodezi Chronos: A Debugging-First Language Model for Repository-Scale Code Understanding
von: Khan, Ishraq, et al.
Veröffentlicht: (2025)

MedMemoryBench: Benchmarking Agent Memory in Personalized Healthcare
von: Wang, Yihao, et al.
Veröffentlicht: (2026)

Multilingual Multi-Label Emotion Classification at Scale with Synthetic Data
von: Borisov, Vadim
Veröffentlicht: (2026)

TowerVision: Understanding and Improving Multilinguality in Vision-Language Models
von: Viveiros, André G., et al.
Veröffentlicht: (2025)

Thinking Longer, Not Always Smarter: Evaluating LLM Capabilities in Hierarchical Legal Reasoning
von: Zhang, Li, et al.
Veröffentlicht: (2025)

Approaches to Semantic Textual Similarity in Slovak Language: From Algorithms to Transformers
von: Radosky, Lukas, et al.
Veröffentlicht: (2026)

Enhancing OCR for Sino-Vietnamese Language Processing via Fine-tuned PaddleOCRv5
von: Nguyen, Minh Hoang, et al.
Veröffentlicht: (2025)

Optimizing What We Trust: Reliability-Guided QUBO Selection of Multi-Agent Weak Framing Signals for Arabic Sentiment Prediction
von: Alkhalifa, Rabab
Veröffentlicht: (2026)

Tool-Genesis: A Task-Driven Tool Creation Benchmark for Self-Evolving Language Agent
von: Xia, Bowei, et al.
Veröffentlicht: (2026)

LLM-supported document separation for printed reviews from zbMATH Open
von: Pluzhnikov, Ivan, et al.
Veröffentlicht: (2026)

MVTamperBench: Evaluating Robustness of Vision-Language Models
von: Agarwal, Amit, et al.
Veröffentlicht: (2024)

Smotrom tvoja pa ander drogoj verden! Resurrecting Dead Pidgin with Generative Models: Russenorsk Case Study
von: Tikhonov, Alexey, et al.
Veröffentlicht: (2025)

It's 2025 -- Narrative Learning is the new baseline to beat for explainable machine learning
von: Baker, Gregory D.
Veröffentlicht: (2025)

CogniLoad: A Synthetic Natural Language Reasoning Benchmark With Tunable Length, Intrinsic Difficulty, and Distractor Density
von: Kaiser, Daniel, et al.
Veröffentlicht: (2025)

AVEC: Bootstrapping Privacy for Local LLMs
von: Gaikwad, Madhava
Veröffentlicht: (2025)

Multi-Agent Synergy-Driven Iterative Visual Narrative Synthesis
von: Xi, Wang, et al.
Veröffentlicht: (2025)