SEAL: Can Saturated Benchmarks Be Revived by LLM-as-a-Meta-Judge?
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Chen, Jiamin, Wu, Yidi, Wang, Qiexiang, Chen, Qianben, Li, Yuchen, Zhang, Yansen, Zhang, Xiaokun, Zhou, Wangchunshu, Ma, Chen |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation
par: Chen, Jiamin, et autres
Publié: (2025)
par: Chen, Jiamin, et autres
Publié: (2025)
O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents
par: Wang, Piaohong, et autres
Publié: (2025)
par: Wang, Piaohong, et autres
Publié: (2025)
O-Researcher: An Open Ended Deep Research Model via Multi-Agent Distillation and Agentic RL
par: Yao, Yi, et autres
Publié: (2026)
par: Yao, Yi, et autres
Publié: (2026)
MLLM-as-a-Judge: Assessing Multimodal LLM-as-a-Judge with Vision-Language Benchmark
par: Chen, Dongping, et autres
Publié: (2024)
par: Chen, Dongping, et autres
Publié: (2024)
Benchmarking LLM-as-a-Judge for Long-Form Output Evaluation
par: Chen, Junjie, et autres
Publié: (2026)
par: Chen, Junjie, et autres
Publié: (2026)
AgenTracer: Who Is Inducing Failure in the LLM Agentic Systems?
par: Zhang, Guibin, et autres
Publié: (2025)
par: Zhang, Guibin, et autres
Publié: (2025)
Search More, Think Less: Rethinking Long-Horizon Agentic Search for Efficiency and Generalization
par: Chen, Qianben, et autres
Publié: (2026)
par: Chen, Qianben, et autres
Publié: (2026)
FairJudge: An Adaptive, Debiased, and Consistent LLM-as-a-Judge
par: Yang, Bo, et autres
Publié: (2026)
par: Yang, Bo, et autres
Publié: (2026)
PersonaFeedback: A Large-scale Human-annotated Benchmark For Personalization
par: Tao, Meiling, et autres
Publié: (2025)
par: Tao, Meiling, et autres
Publié: (2025)
SEAL: Steerable Reasoning Calibration of Large Language Models for Free
par: Chen, Runjin, et autres
Publié: (2025)
par: Chen, Runjin, et autres
Publié: (2025)
Flash-Searcher: Fast and Effective Web Agents via DAG-Based Parallel Execution
par: Qin, Tianrui, et autres
Publié: (2025)
par: Qin, Tianrui, et autres
Publié: (2025)
JudgeSense: A Benchmark for Prompt Sensitivity in LLM-as-a-Judge Systems
par: Bellibatlu, Rohith Reddy, et autres
Publié: (2026)
par: Bellibatlu, Rohith Reddy, et autres
Publié: (2026)
HarmMetric Eval: Benchmarking Metrics and Judges for LLM Harmfulness Assessment
par: Yang, Langqi, et autres
Publié: (2025)
par: Yang, Langqi, et autres
Publié: (2025)
SEAL: Safety-enhanced Aligned LLM Fine-tuning via Bilevel Data Selection
par: Shen, Han, et autres
Publié: (2024)
par: Shen, Han, et autres
Publié: (2024)
SEAL: Synergistic Co-Evolution of Agents and Learning Environments
par: Hu, Yihao, et autres
Publié: (2026)
par: Hu, Yihao, et autres
Publié: (2026)
Symbolic Learning Enables Self-Evolving Agents
par: Zhou, Wangchunshu, et autres
Publié: (2024)
par: Zhou, Wangchunshu, et autres
Publié: (2024)
CodeJudge-Eval: Can Large Language Models be Good Judges in Code Understanding?
par: Zhao, Yuwei, et autres
Publié: (2024)
par: Zhao, Yuwei, et autres
Publié: (2024)
Crowd Comparative Reasoning: Unlocking Comprehensive Evaluations for LLM-as-a-Judge
par: Zhang, Qiyuan, et autres
Publié: (2025)
par: Zhang, Qiyuan, et autres
Publié: (2025)
TrustJudge: Inconsistencies of LLM-as-a-Judge and How to Alleviate Them
par: Wang, Yidong, et autres
Publié: (2025)
par: Wang, Yidong, et autres
Publié: (2025)
CodeJudgeBench: Benchmarking LLM-as-a-Judge for Coding Tasks
par: Jiang, Hongchao, et autres
Publié: (2025)
par: Jiang, Hongchao, et autres
Publié: (2025)
Teach2Eval: An Indirect Evaluation Method for LLM by Judging How It Teaches
par: Zhou, Yuhang, et autres
Publié: (2025)
par: Zhou, Yuhang, et autres
Publié: (2025)
TaskCraft: Automated Generation of Agentic Tasks
par: Shi, Dingfeng, et autres
Publié: (2025)
par: Shi, Dingfeng, et autres
Publié: (2025)
A$^2$FM: An Adaptive Agent Foundation Model for Tool-Aware Hybrid Reasoning
par: Chen, Qianben, et autres
Publié: (2025)
par: Chen, Qianben, et autres
Publié: (2025)
Less Is More: Elevating RAG via Performance-Driven Context Compression
par: Cui, Ziqiang, et autres
Publié: (2025)
par: Cui, Ziqiang, et autres
Publié: (2025)
R-Judge: Benchmarking Safety Risk Awareness for LLM Agents
par: Yuan, Tongxin, et autres
Publié: (2024)
par: Yuan, Tongxin, et autres
Publié: (2024)
Can LLMs be Good Graph Judge for Knowledge Graph Construction?
par: Huang, Haoyu, et autres
Publié: (2024)
par: Huang, Haoyu, et autres
Publié: (2024)
Can LLM be a Personalized Judge?
par: Dong, Yijiang River, et autres
Publié: (2024)
par: Dong, Yijiang River, et autres
Publié: (2024)
Benchmarks Saturate When The Model Gets Smarter Than The Judge
par: Ballon, Marthe, et autres
Publié: (2026)
par: Ballon, Marthe, et autres
Publié: (2026)
Time to REFLECT: Can We Trust LLM Judges for Evidence-based Research Agents?
par: Wang, Leyao, et autres
Publié: (2026)
par: Wang, Leyao, et autres
Publié: (2026)
RevisEval: Improving LLM-as-a-Judge via Response-Adapted References
par: Zhang, Qiyuan, et autres
Publié: (2024)
par: Zhang, Qiyuan, et autres
Publié: (2024)
Evaluating Judges as Evaluators: The JETTS Benchmark of LLM-as-Judges as Test-Time Scaling Evaluators
par: Zhou, Yilun, et autres
Publié: (2025)
par: Zhou, Yilun, et autres
Publié: (2025)
DTVLT: A Multi-modal Diverse Text Benchmark for Visual Language Tracking Based on LLM
par: Li, Xuchen, et autres
Publié: (2024)
par: Li, Xuchen, et autres
Publié: (2024)
RankJudge: A Multi-Turn LLM-as-a-Judge Synthetic Benchmark Generator
par: Tang, Zhenwei, et autres
Publié: (2026)
par: Tang, Zhenwei, et autres
Publié: (2026)
How Far Are We from Genuinely Useful Deep Research Agents?
par: Zhang, Dingling, et autres
Publié: (2025)
par: Zhang, Dingling, et autres
Publié: (2025)
MM-Eval: A Multilingual Meta-Evaluation Benchmark for LLM-as-a-Judge and Reward Models
par: Son, Guijin, et autres
Publié: (2024)
par: Son, Guijin, et autres
Publié: (2024)
Preserving LLM Capabilities through Calibration Data Curation: From Analysis to Optimization
par: He, Bowei, et autres
Publié: (2025)
par: He, Bowei, et autres
Publié: (2025)
CyclicJudge: Mitigating Judge Bias Efficiently in LLM-based Evaluation
par: Zhu, Ziyi, et autres
Publié: (2026)
par: Zhu, Ziyi, et autres
Publié: (2026)
Evaluating Scoring Bias in LLM-as-a-Judge
par: Li, Qingquan, et autres
Publié: (2025)
par: Li, Qingquan, et autres
Publié: (2025)
BadJudge: Backdoor Vulnerabilities of LLM-as-a-Judge
par: Tong, Terry, et autres
Publié: (2025)
par: Tong, Terry, et autres
Publié: (2025)
SAC-Opt: Semantic Anchors for Iterative Correction in Optimization Modeling
par: Zhang, Yansen, et autres
Publié: (2025)
par: Zhang, Yansen, et autres
Publié: (2025)
Documents similaires
-
Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation
par: Chen, Jiamin, et autres
Publié: (2025) -
O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents
par: Wang, Piaohong, et autres
Publié: (2025) -
O-Researcher: An Open Ended Deep Research Model via Multi-Agent Distillation and Agentic RL
par: Yao, Yi, et autres
Publié: (2026) -
MLLM-as-a-Judge: Assessing Multimodal LLM-as-a-Judge with Vision-Language Benchmark
par: Chen, Dongping, et autres
Publié: (2024) -
Benchmarking LLM-as-a-Judge for Long-Form Output Evaluation
par: Chen, Junjie, et autres
Publié: (2026)