Buchumschlag

General365: Benchmarking General Reasoning in Large Language Models Across Diverse and Challenging Tasks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Junlin, An, Shengnan, Zhou, Shuang, Ma, Dan, Luo, Shixiong, Xie, Ying, Zhang, Yuan, Yuan, Wenling, Zhou, Yifan, Li, Xiaoyu, Wang, Ziwen, Cao, Xuezhi, Cai, Xunliang
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computation and Language Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AMO-Bench: Large Language Models Still Struggle in High School Math Competitions
von: An, Shengnan, et al.
Veröffentlicht: (2025)

UNO-Bench: A Unified Benchmark for Exploring the Compositional Law Between Uni-modal and Omni-modal in Omni Models
von: Chen, Chen, et al.
Veröffentlicht: (2025)

LARY: A Latent Action Representation Yielding Benchmark for Generalizable Vision-to-Action Alignment
von: Nie, Dujun, et al.
Veröffentlicht: (2026)

Audio Turing Test: Benchmarking the Human-likeness of Large Language Model-based Text-to-Speech Systems in Chinese
von: Wang, Xihuai, et al.
Veröffentlicht: (2025)

Pancyclicity of graphs perturbed by a random $F$-factor
von: Mao, Dingjia, et al.
Veröffentlicht: (2026)

AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations
von: Jiayang, Cheng, et al.
Veröffentlicht: (2026)

Benchmarking Real-World Medical Image Classification with Noisy Labels: Challenges, Practice, and Outlook
von: Ma, Yuan, et al.
Veröffentlicht: (2025)

OIBench: Benchmarking Strong Reasoning Models with Olympiad in Informatics
von: Zhu, Yaoming, et al.
Veröffentlicht: (2025)

Diverse Target and Contribution Scheduling for Domain Generalization
von: Long, Shaocong, et al.
Veröffentlicht: (2023)

AgentEscapeBench: Evaluating Out-of-Domain Tool-Grounded Reasoning in LLM Agents
von: Guo, Zhengkang, et al.
Veröffentlicht: (2026)

Chain-of-Thought Reasoning Without Prompting
von: Wang, Xuezhi, et al.
Veröffentlicht: (2024)

Ada-KV: Optimizing KV Cache Eviction by Adaptive Budget Allocation for Efficient LLM Inference
von: Feng, Yuan, et al.
Veröffentlicht: (2024)

Learning Representations for Reasoning: Generalizing Across Diverse Structures
von: Zhu, Zhaocheng
Veröffentlicht: (2024)

Meeseeks: A Feedback-Driven, Iterative Self-Correction Benchmark evaluating LLMs' Instruction Following Capability
von: wang, Jiaming, et al.
Veröffentlicht: (2025)

Making Mathematical Reasoning Adaptive
von: Lai, Zhejian, et al.
Veröffentlicht: (2025)

Turán density of stars in uniformly dense hypergraphs
von: Lin, Hao, et al.
Veröffentlicht: (2025)

UniPPTBench: A Unified Benchmark for Presentation Generation Across Diverse Input Settings
von: Zhao, Bo, et al.
Veröffentlicht: (2026)

Instance-level Randomization: Toward More Stable LLM Evaluations
von: Li, Yiyang, et al.
Veröffentlicht: (2025)

Benchmarking Critical Questions Generation: A Challenging Reasoning Task for Large Language Models
von: Figueras, Banca Calvo, et al.
Veröffentlicht: (2025)

The Role of Visual Modality in Multimodal Mathematical Reasoning: Challenges and Insights
von: Liu, Yufang, et al.
Veröffentlicht: (2025)

CoreCodeBench: Decoupling Code Intelligence via Fine-Grained Repository-Level Tasks
von: Fu, Lingyue, et al.
Veröffentlicht: (2025)

CriticalKV: Optimizing KV Cache Eviction from an Output Perturbation Perspective
von: Feng, Yuan, et al.
Veröffentlicht: (2025)

Automatically Benchmarking LLM Code Agents through Agent-Driven Annotation and Evaluation
von: Fu, Lingyue, et al.
Veröffentlicht: (2025)

RMGAP: Benchmarking the Generalization of Reward Models across Diverse Preferences
von: Zhou, Yangyang, et al.
Veröffentlicht: (2026)

Why Not Act on What You Know? Unleashing Safety Potential of LLMs via Self-Aware Guard Enhancement
von: Ding, Peng, et al.
Veröffentlicht: (2025)

MedAtlas: Evaluating LLMs for Multi-Round, Multi-Task Medical Reasoning Across Diverse Imaging Modalities and Clinical Text
von: Xu, Ronghao, et al.
Veröffentlicht: (2025)

Hallu-PI: Evaluating Hallucination in Multi-modal Large Language Models within Perturbed Inputs
von: Ding, Peng, et al.
Veröffentlicht: (2024)

Distributional Robustness Bounds Generalization Errors
von: Wang, Shixiong, et al.
Veröffentlicht: (2022)

From Redundancy to Relevance: Information Flow in LVLMs Across Reasoning Tasks
von: Zhang, Xiaofeng, et al.
Veröffentlicht: (2024)

Benchmarking Robust Self-Supervised Learning Across Diverse Downstream Tasks
von: Kowalczuk, Antoni, et al.
Veröffentlicht: (2024)

R-Horizon: How Far Can Your Large Reasoning Model Really Go in Breadth and Depth?
von: Lu, Yi, et al.
Veröffentlicht: (2025)

Generalizing Graph Transformers Across Diverse Graphs and Tasks via Pre-training
von: He, Yufei, et al.
Veröffentlicht: (2024)

UniHetero: Could Generation Enhance Understanding for Vision-Language-Model at Large Data Scale?
von: Chen, Fengjiao, et al.
Veröffentlicht: (2025)

Advancing Generalization Across a Variety of Abstract Visual Reasoning Tasks
von: Małkiński, Mikołaj, et al.
Veröffentlicht: (2025)

DIFFA-2: A Practical Diffusion Large Language Model for General Audio Understanding
von: Zhou, Jiaming, et al.
Veröffentlicht: (2026)

Benchmarking Temporal Reasoning and Alignment Across Chinese Dynasties
von: Wang, Zhenglin, et al.
Veröffentlicht: (2025)

SWE-Cycle: Benchmarking Code Agents across the Complete Issue Resolution Cycle
von: Guan, Hao, et al.
Veröffentlicht: (2026)

ATLAS: All-round Testing of Long-context Abilities across Scales
von: Huang, Deli, et al.
Veröffentlicht: (2026)

Emotion-Aware Design: Modulating Valence, Arousal, and Dominance in Communication via Design
von: Cao, Shixiong, et al.
Veröffentlicht: (2025)

Neuro-Symbolic Data Generation for Math Reasoning
von: Li, Zenan, et al.
Veröffentlicht: (2024)