:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sha, Tommy, Zhao, Stella
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	https://arxiv.org/abs/2603.29357
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How Many Parameters Does Your Task Really Need? Task Specific Pruning with LLM-Sieve
von: Reda, Waleed, et al.
Veröffentlicht: (2025)

How Many Tries Does It Take? Iterative Self-Repair in LLM Code Generation Across Model Scales and Benchmarks
von: Arimbur, Johin Johny
Veröffentlicht: (2026)

ManiBench: A Benchmark for Testing Visual-Logic Drift and Syntactic Hallucinations in Manim Code Generation
von: Oli, Nabin
Veröffentlicht: (2026)

MIR-Bench: Can Your LLM Recognize Complicated Patterns via Many-Shot In-Context Reasoning?
von: Yan, Kai, et al.
Veröffentlicht: (2025)

HarmfulSkillBench: How Do Harmful Skills Weaponize Your Agents?
von: Jiang, Yukun, et al.
Veröffentlicht: (2026)

SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks
von: Li, Xiangyi, et al.
Veröffentlicht: (2026)

Game of Trust: How Trustworthy Does Your Blockchain Think You Are?
von: Drineas, Petros, et al.
Veröffentlicht: (2025)

Does Your Optimizer Care How You Normalize? Normalization-Optimizer Coupling in LLM Training
von: Abouzeid, Abdelrahman
Veröffentlicht: (2026)

From One to Many: Expanding the Scope of Toxicity Mitigation in Language Models
von: Pozzobon, Luiza, et al.
Veröffentlicht: (2024)

OVO-Bench: How Far is Your Video-LLMs from Real-World Online Video Understanding?
von: Li, Yifei, et al.
Veröffentlicht: (2025)

TEA-Bench: A Systematic Benchmarking of Tool-enhanced Emotional Support Dialogue Agent
von: Sui, Xingyu, et al.
Veröffentlicht: (2026)

ElecBench: a Power Dispatch Evaluation Benchmark for Large Language Models
von: Zhou, Xiyuan, et al.
Veröffentlicht: (2024)

FeynmanBench: Benchmarking Multimodal LLMs on Diagrammatic Physics Reasoning
von: Wang, Zeyu, et al.
Veröffentlicht: (2026)

Does Your Reasoning Model Implicitly Know When to Stop Thinking?
von: Huang, Zixuan, et al.
Veröffentlicht: (2026)

PhyX: Does Your Model Have the "Wits" for Physical Reasoning?
von: Shen, Hui, et al.
Veröffentlicht: (2025)

How Many Instructions Can LLMs Follow at Once?
von: Jaroslawicz, Daniel, et al.
Veröffentlicht: (2025)

Does Unification Come at a Cost? Uni-SafeBench: A Safety Benchmark for Unified Multimodal Large Models
von: Peng, Zixiang, et al.
Veröffentlicht: (2026)

Bench-CoE: a Framework for Collaboration of Experts from Benchmark
von: Wang, Yuanshuai, et al.
Veröffentlicht: (2024)

How Persuasive is Your Context?
von: Nguyen, Tu, et al.
Veröffentlicht: (2025)

Riemann-Bench: A Benchmark for Moonshot Mathematics
von: Garre, Suhaas, et al.
Veröffentlicht: (2026)

TSI-Bench: Benchmarking Time Series Imputation
von: Du, Wenjie, et al.
Veröffentlicht: (2024)

GEO-Bench: Benchmarking Ranking Manipulation in Generative Engine Optimization
von: Nimase, Ojas, et al.
Veröffentlicht: (2026)

CI-Bench: Benchmarking Contextual Integrity of AI Assistants on Synthetic Data
von: Cheng, Zhao, et al.
Veröffentlicht: (2024)

SPM-Bench: Benchmarking Large Language Models for Scanning Probe Microscopy
von: Xiao, Peiyao, et al.
Veröffentlicht: (2026)

PushupBench: Your VLM is not good at counting pushups
von: Li, Shengzhi, et al.
Veröffentlicht: (2026)

RedacBench: Can AI Erase Your Secrets?
von: Jeon, Hyunjun, et al.
Veröffentlicht: (2026)

AJ-Bench: Benchmarking Agent-as-a-Judge for Environment-Aware Evaluation
von: Shi, Wentao, et al.
Veröffentlicht: (2026)

AMS-IO-Bench and AMS-IO-Agent: Benchmarking and Structured Reasoning for Analog and Mixed-Signal Integrated Circuit Input/Output Design
von: Zhang, Zhishuai, et al.
Veröffentlicht: (2025)

FaithCoT-Bench: Benchmarking Instance-Level Faithfulness of Chain-of-Thought Reasoning
von: Shen, Xu, et al.
Veröffentlicht: (2025)

EngiBench: A Benchmark for Evaluating Large Language Models on Engineering Problem Solving
von: Zhou, Xiyuan, et al.
Veröffentlicht: (2025)

AirQualityBench: A Realistic Evaluation Benchmark for Global Air Quality Forecasting
von: Xu, Xing, et al.
Veröffentlicht: (2026)

OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents
von: Hu, Yulin, et al.
Veröffentlicht: (2026)

YourBench: Easy Custom Evaluation Sets for Everyone
von: Shashidhar, Sumuk, et al.
Veröffentlicht: (2025)

CombiBench: Benchmarking LLM Capability for Combinatorial Mathematics
von: Liu, Junqi, et al.
Veröffentlicht: (2025)

DCA-Bench: A Benchmark for Dataset Curation Agents
von: Huang, Benhao, et al.
Veröffentlicht: (2024)

LifeBench: A Benchmark for Long-Horizon Multi-Source Memory
von: Cheng, Zihao, et al.
Veröffentlicht: (2026)

AI incidents and 'networked trouble': The case for a research agenda
von: Shane, Tommy Shaffer
Veröffentlicht: (2024)

C-SEO Bench: Does Conversational SEO Work?
von: Puerto, Haritz, et al.
Veröffentlicht: (2025)

lmgame-Bench: How Good are LLMs at Playing Games?
von: Hu, Lanxiang, et al.
Veröffentlicht: (2025)

GUI Testing Arena: A Unified Benchmark for Advancing Autonomous GUI Testing Agent
von: Zhao, Kangjia, et al.
Veröffentlicht: (2024)