会员服务
测试集，在AI领域多指机器学习模型训练完成后，用于其测试的数据，以观测其性能以及泛化能力。
Do LLM-judges Align with Human Relevance in Cranfield-style Recommender Evaluation?
Arxiv
0+阅读 · 11月28日
SAGE: Semantic-Aware Gray-Box Game Regression Testing with Large Language Models
Arxiv
0+阅读 · 11月29日
The FACTS Leaderboard: A Comprehensive Benchmark for Large Language Model Factuality
Arxiv
0+阅读 · 12月11日
Is the Cure Still Worse Than the Disease? Test Overfitting by LLMs in Automated Program Repair
Arxiv
0+阅读 · 11月20日
Robust Differential Evolution via Nonlinear Population Size Reduction and Adaptive Restart: The ARRDE Algorithm
Arxiv
0+阅读 · 11月23日
A Multicenter Benchmark of Multiple Instance Learning Models for Lymphoma Subtyping from HE-stained Whole Slide Images
Arxiv
0+阅读 · 12月16日
Do Generalisation Results Generalise?
Arxiv
0+阅读 · 12月8日
FoleyBench: A Benchmark For Video-to-Audio Models
Arxiv
0+阅读 · 11月17日
FoleyBench: A Benchmark For Video-to-Audio Models
Arxiv
0+阅读 · 11月24日
CorPipe at CRAC 2025: Evaluating Multilingual Encoders for Multilingual Coreference Resolution
Arxiv
0+阅读 · 11月6日
Automated Monitoring of Cultural Heritage Artifacts Using Semantic Segmentation
Arxiv
0+阅读 · 11月25日
Winning with Less for Low Resource Languages: Advantage of Cross-Lingual English_Persian Argument Mining Model over LLM Augmentation
Arxiv
0+阅读 · 11月25日
SEB-ChOA: An Improved Chimp Optimization Algorithm Using Spiral Exploitation Behavior
Arxiv
0+阅读 · 11月26日
TurBLiMP: A Turkish Benchmark of Linguistic Minimal Pairs
Arxiv
0+阅读 · 11月6日
Fibroglandular Tissue Segmentation in Breast MRI using Vision Transformers -- A multi-institutional evaluation
Arxiv
0+阅读 · 2023年4月18日
参考链接
微信扫码咨询专知VIP会员
Top