Revisiting a Pain in the Neck: A Semantic Reasoning Benchmark for Language Models
Fuente:
arXiv
Gespeichert in:
| Hauptverfasser: | Liu, Yang, Li, Hongming, Qin, Melissa Xiaohui, Liu, Qiankun, Huang, Chao |
|---|---|
| Format: | Preprint |
| Veröffentlicht: |
2026
|
| Schlagworte: | |
| Online-Zugang: | |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
Ähnliche Einträge
Revisiting a Pain in the Neck: Semantic Phrase Processing Benchmark for Language Models
von: Liu, Yang, et al.
Veröffentlicht: (2024)
von: Liu, Yang, et al.
Veröffentlicht: (2024)
Entropy-Based Data Selection for Language Models
von: Li, Hongming, et al.
Veröffentlicht: (2026)
von: Li, Hongming, et al.
Veröffentlicht: (2026)
PJB: A Reasoning-Aware Benchmark for Person-Job Retrieval
von: Wang, Guangzhi, et al.
Veröffentlicht: (2026)
von: Wang, Guangzhi, et al.
Veröffentlicht: (2026)
MixRea: Benchmarking Explicit-Implicit Reasoning in Large Language Models
von: Cai, Yuanqing, et al.
Veröffentlicht: (2026)
von: Cai, Yuanqing, et al.
Veröffentlicht: (2026)
AstroMind: A High-Fidelity Benchmark for Spacecraft Behavior Reasoning Based on Large Language Models
von: Liu, Hao, et al.
Veröffentlicht: (2026)
von: Liu, Hao, et al.
Veröffentlicht: (2026)
DiagnosisArena: Benchmarking Diagnostic Reasoning for Large Language Models
von: Zhu, Yakun, et al.
Veröffentlicht: (2025)
von: Zhu, Yakun, et al.
Veröffentlicht: (2025)
GraCoRe: Benchmarking Graph Comprehension and Complex Reasoning in Large Language Models
von: Yuan, Zike, et al.
Veröffentlicht: (2024)
von: Yuan, Zike, et al.
Veröffentlicht: (2024)
Revisiting Model Interpolation for Efficient Reasoning
von: Wu, Taiqiang, et al.
Veröffentlicht: (2025)
von: Wu, Taiqiang, et al.
Veröffentlicht: (2025)
EquiBench: Benchmarking Large Language Models' Reasoning about Program Semantics via Equivalence Checking
von: Wei, Anjiang, et al.
Veröffentlicht: (2025)
von: Wei, Anjiang, et al.
Veröffentlicht: (2025)
TReB: A Comprehensive Benchmark for Evaluating Table Reasoning Capabilities of Large Language Models
von: Li, Ce, et al.
Veröffentlicht: (2025)
von: Li, Ce, et al.
Veröffentlicht: (2025)
LightReasoner: Can Small Language Models Teach Large Language Models Reasoning?
von: Wang, Jingyuan, et al.
Veröffentlicht: (2025)
von: Wang, Jingyuan, et al.
Veröffentlicht: (2025)
Com$^2$: A Causal-Guided Benchmark for Exploring Complex Commonsense Reasoning in Large Language Models
von: Xiong, Kai, et al.
Veröffentlicht: (2025)
von: Xiong, Kai, et al.
Veröffentlicht: (2025)
SocREval: Large Language Models with the Socratic Method for Reference-Free Reasoning Evaluation
von: He, Hangfeng, et al.
Veröffentlicht: (2023)
von: He, Hangfeng, et al.
Veröffentlicht: (2023)
Evaluating Large Language Models for Financial Reasoning: A CFA-Based Benchmark Study
von: Yao, Xuan, et al.
Veröffentlicht: (2025)
von: Yao, Xuan, et al.
Veröffentlicht: (2025)
Conceptual and Unbiased Reasoning in Language Models
von: Zhou, Ben, et al.
Veröffentlicht: (2024)
von: Zhou, Ben, et al.
Veröffentlicht: (2024)
Large Language Models Are Cross-Lingual Knowledge-Free Reasoners
von: Hu, Peng, et al.
Veröffentlicht: (2024)
von: Hu, Peng, et al.
Veröffentlicht: (2024)
Abstraction-of-Thought Makes Language Models Better Reasoners
von: Hong, Ruixin, et al.
Veröffentlicht: (2024)
von: Hong, Ruixin, et al.
Veröffentlicht: (2024)
HyperGVL: Benchmarking and Improving Large Vision-Language Models in Hypergraph Understanding and Reasoning
von: Wei, Yanbin, et al.
Veröffentlicht: (2026)
von: Wei, Yanbin, et al.
Veröffentlicht: (2026)
BaziQA-Benchmark: Evaluating Symbolic and Temporally Compositional Reasoning in Large Language Models
von: Chen, Jiangxi, et al.
Veröffentlicht: (2026)
von: Chen, Jiangxi, et al.
Veröffentlicht: (2026)
AbsPyramid: Benchmarking the Abstraction Ability of Language Models with a Unified Entailment Graph
von: Wang, Zhaowei, et al.
Veröffentlicht: (2023)
von: Wang, Zhaowei, et al.
Veröffentlicht: (2023)
LogicGame: Benchmarking Rule-Based Reasoning Abilities of Large Language Models
von: Gui, Jiayi, et al.
Veröffentlicht: (2024)
von: Gui, Jiayi, et al.
Veröffentlicht: (2024)
CLAMBER: A Benchmark of Identifying and Clarifying Ambiguous Information Needs in Large Language Models
von: Zhang, Tong, et al.
Veröffentlicht: (2024)
von: Zhang, Tong, et al.
Veröffentlicht: (2024)
Inference-Time Decontamination: Reusing Leaked Benchmarks for Large Language Model Evaluation
von: Zhu, Qin, et al.
Veröffentlicht: (2024)
von: Zhu, Qin, et al.
Veröffentlicht: (2024)
Revisiting Knowledge Distillation for Autoregressive Language Models
von: Zhong, Qihuang, et al.
Veröffentlicht: (2024)
von: Zhong, Qihuang, et al.
Veröffentlicht: (2024)
Semantic Self-Consistency: Enhancing Language Model Reasoning via Semantic Weighting
von: Knappe, Tim, et al.
Veröffentlicht: (2024)
von: Knappe, Tim, et al.
Veröffentlicht: (2024)
Meta-Reasoning: Semantics-Symbol Deconstruction for Large Language Models
von: Wang, Yiming, et al.
Veröffentlicht: (2023)
von: Wang, Yiming, et al.
Veröffentlicht: (2023)
ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains
von: Huang, Zhaopei, et al.
Veröffentlicht: (2024)
von: Huang, Zhaopei, et al.
Veröffentlicht: (2024)
EconLogicQA: A Question-Answering Benchmark for Evaluating Large Language Models in Economic Sequential Reasoning
von: Quan, Yinzhu, et al.
Veröffentlicht: (2024)
von: Quan, Yinzhu, et al.
Veröffentlicht: (2024)
A Closer Look at the Self-Verification Abilities of Large Language Models in Logical Reasoning
von: Hong, Ruixin, et al.
Veröffentlicht: (2023)
von: Hong, Ruixin, et al.
Veröffentlicht: (2023)
Implicit Reasoning in Large Language Models: A Comprehensive Survey
von: Li, Jindong, et al.
Veröffentlicht: (2025)
von: Li, Jindong, et al.
Veröffentlicht: (2025)
MONICA: Real-Time Monitoring and Calibration of Chain-of-Thought Sycophancy in Large Reasoning Models
von: Hu, Jingyu, et al.
Veröffentlicht: (2025)
von: Hu, Jingyu, et al.
Veröffentlicht: (2025)
MR-GSM8K: A Meta-Reasoning Benchmark for Large Language Model Evaluation
von: Zeng, Zhongshen, et al.
Veröffentlicht: (2023)
von: Zeng, Zhongshen, et al.
Veröffentlicht: (2023)
UGMathBench: A Diverse and Dynamic Benchmark for Undergraduate-Level Mathematical Reasoning with Large Language Models
von: Xu, Xin, et al.
Veröffentlicht: (2025)
von: Xu, Xin, et al.
Veröffentlicht: (2025)
StableToolBench: Towards Stable Large-Scale Benchmarking on Tool Learning of Large Language Models
von: Guo, Zhicheng, et al.
Veröffentlicht: (2024)
von: Guo, Zhicheng, et al.
Veröffentlicht: (2024)
SocialMaze: A Benchmark for Evaluating Social Reasoning in Large Language Models
von: Xu, Zixiang, et al.
Veröffentlicht: (2025)
von: Xu, Zixiang, et al.
Veröffentlicht: (2025)
SpeechR: A Benchmark for Speech Reasoning in Large Audio-Language Models
von: Yang, Wanqi, et al.
Veröffentlicht: (2025)
von: Yang, Wanqi, et al.
Veröffentlicht: (2025)
EffiReason-Bench: A Unified Benchmark for Evaluating and Advancing Efficient Reasoning in Large Language Models
von: Huang, Junquan, et al.
Veröffentlicht: (2025)
von: Huang, Junquan, et al.
Veröffentlicht: (2025)
ReliableMath: Benchmark of Reliable Mathematical Reasoning on Large Language Models
von: Xue, Boyang, et al.
Veröffentlicht: (2025)
von: Xue, Boyang, et al.
Veröffentlicht: (2025)
Benchmarking Vision-Language Models on Chinese Ancient Documents: From OCR to Knowledge Reasoning
von: Yu, Haiyang, et al.
Veröffentlicht: (2025)
von: Yu, Haiyang, et al.
Veröffentlicht: (2025)
Revisiting the Reliability of Language Models in Instruction-Following
von: Dong, Jianshuo, et al.
Veröffentlicht: (2025)
von: Dong, Jianshuo, et al.
Veröffentlicht: (2025)
Ähnliche Einträge
-
Revisiting a Pain in the Neck: Semantic Phrase Processing Benchmark for Language Models
von: Liu, Yang, et al.
Veröffentlicht: (2024) -
Entropy-Based Data Selection for Language Models
von: Li, Hongming, et al.
Veröffentlicht: (2026) -
PJB: A Reasoning-Aware Benchmark for Person-Job Retrieval
von: Wang, Guangzhi, et al.
Veröffentlicht: (2026) -
MixRea: Benchmarking Explicit-Implicit Reasoning in Large Language Models
von: Cai, Yuanqing, et al.
Veröffentlicht: (2026) -
AstroMind: A High-Fidelity Benchmark for Spacecraft Behavior Reasoning Based on Large Language Models
von: Liu, Hao, et al.
Veröffentlicht: (2026)