Buchumschlag

General Agent Evaluation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bandel, Elron, Yehudai, Asaf, Eden, Lilach, Sagron, Yehoshua, Perlitz, Yotam, Venezian, Elad, Razinkov, Natalia, Ergas, Natan, Ifergan, Shlomit Shachor, Shlomov, Segev, Jacovi, Michal, Choshen, Leshem, Ein-Dor, Liat, Katz, Yoav, Shmueli-Scheuer, Michal
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Do These LLM Benchmarks Agree? Fixing Benchmark Evaluation with BenchBench
von: Perlitz, Yotam, et al.
Veröffentlicht: (2024)

Growing Pains: Extensible and Efficient LLM Benchmarking Via Fixed Parameter Calibration
von: Habba, Eliya, et al.
Veröffentlicht: (2026)

Efficient Benchmarking of Language Models
von: Perlitz, Yotam, et al.
Veröffentlicht: (2023)

DOVE: A Large-Scale Multi-Dimensional Predictions Dataset Towards Meaningful LLM Evaluation
von: Habba, Eliya, et al.
Veröffentlicht: (2025)

ErrorMap and ErrorAtlas: Charting the Failure Landscape of Large Language Models
von: Ashury-Tahan, Shir, et al.
Veröffentlicht: (2026)

Robustness as an Emergent Property of Task Performance
von: Ashury-Tahan, Shir, et al.
Veröffentlicht: (2026)

CLEAR: Error Analysis via LLM-as-a-Judge Made Easy
von: Yehudai, Asaf, et al.
Veröffentlicht: (2025)

The Mighty ToRR: A Benchmark for Table Reasoning and Robustness
von: Ashury-Tahan, Shir, et al.
Veröffentlicht: (2025)

Unitxt: Flexible, Shareable and Reusable Data Preparation and Evaluation for Generative AI
von: Bandel, Elron, et al.
Veröffentlicht: (2024)

Agentic CLEAR: Automating Multi-Level Evaluation of LLM Agents
von: Yehudai, Asaf, et al.
Veröffentlicht: (2026)

Improved Membership Inference Attacks Against Language Classification Models
von: Shachor, Shlomit, et al.
Veröffentlicht: (2023)

A Matter of TASTE: Improving Coverage and Difficulty of Agent Benchmarks
von: Keren, Tomer, et al.
Veröffentlicht: (2026)

Instructions Shape Production of Language, not Processing
von: Waldis, Andreas, et al.
Veröffentlicht: (2026)

Holmes: A Benchmark to Assess the Linguistic Competence of Language Models
von: Waldis, Andreas, et al.
Veröffentlicht: (2024)

JuStRank: Benchmarking LLM Judges for System Ranking
von: Gera, Ariel, et al.
Veröffentlicht: (2024)

Survey on Evaluation of LLM-based Agents
von: Yehudai, Asaf, et al.
Veröffentlicht: (2025)

PolySQL: Scaling Text-to-SQL Evaluation Across SQL Dialects via Automated Backend Isomorphism
von: Perlitz, Yotam, et al.
Veröffentlicht: (2026)

How Safe is Your Safety Metric? Automatic Concatenation Tests for Metric Reliability
von: Fandina, Ora Nova, et al.
Veröffentlicht: (2024)

Label-Efficient Model Selection for Text Generation
von: Ashury-Tahan, Shir, et al.
Veröffentlicht: (2024)

WildIFEval: Instruction Following in the Wild
von: Lior, Gili, et al.
Veröffentlicht: (2025)

When LLMs are Unfit Use FastFit: Fast and Effective Text Classification with Many Classes
von: Yehudai, Asaf, et al.
Veröffentlicht: (2024)

Beneath the Surface of Consistency: Exploring Cross-lingual Knowledge Representation Sharing in LLMs
von: Ifergan, Maxim, et al.
Veröffentlicht: (2024)

Stay Tuned: An Empirical Study of the Impact of Hyperparameters on LLM Tuning in Real-World Applications
von: Halfon, Alon, et al.
Veröffentlicht: (2024)

Mediocrity is the key for LLM as a Judge Anchor Selection
von: Don-Yehiya, Shachar, et al.
Veröffentlicht: (2026)

Time to REFLECT: Can We Trust LLM Judges for Evidence-based Research Agents?
von: Wang, Leyao, et al.
Veröffentlicht: (2026)

Think Again! The Effect of Test-Time Compute on Preferences, Opinions, and Beliefs of Large Language Models
von: Kour, George, et al.
Veröffentlicht: (2025)

Will it Merge? On The Causes of Model Mergeability
von: Rahamim, Adir, et al.
Veröffentlicht: (2026)

Never Ending Stories? Hebrew Writers' Creative Journey in the Second Half of Life
von: Shlomit Aharoni Lir, et al.
Veröffentlicht: (2024)

CUBE: A Standard for Unifying Agent Benchmarks
von: Lacoste, Alexandre, et al.
Veröffentlicht: (2026)

Ultra Efficient Contracts: Pushing the Boundaries of Tractable Contract Design
von: Feldman, Michal, et al.
Veröffentlicht: (2025)

Chile and the CGIAR centers : a study of their collaboration in agricultural research / Eduardo Venezian
von: Venezian, Eduardo
Veröffentlicht: (1987)

Can Gradient Descent Simulate Prompting?
von: Zhang, Eric, et al.
Veröffentlicht: (2025)

A Hitchhiker's Guide to Scaling Law Estimation
von: Choshen, Leshem, et al.
Veröffentlicht: (2024)

Fuse to Forget: Bias Reduction and Selective Memorization through Model Fusion
von: Zaman, Kerem, et al.
Veröffentlicht: (2023)

Multi-Domain Explainability of Preferences
von: Calderon, Nitay, et al.
Veröffentlicht: (2025)

Genie: Achieving Human Parity in Content-Grounded Datasets Generation
von: Yehudai, Asaf, et al.
Veröffentlicht: (2024)

Ongoing Tracking of Engagement in Motor Learning
von: Shlomov, Segev, et al.
Veröffentlicht: (2023)

The ShareLM Collection and Plugin: Contributing Human-Model Chats for the Benefit of the Community
von: Don-Yehiya, Shachar, et al.
Veröffentlicht: (2024)

Naturally Occurring Feedback is Common, Extractable and Useful
von: Don-Yehiya, Shachar, et al.
Veröffentlicht: (2024)

ComPEFT: Compression for Communicating Parameter Efficient Updates via Sparsification and Quantization
von: Yadav, Prateek, et al.
Veröffentlicht: (2023)