有点子了，就去执行……
RECAST：让大模型主动组合证据的新框架
大模型做跨多源的复杂任务时，终于有了实打实提升成功率的方案：名为RECAST的框架，在6个异构基准家族上平均成功率75.6%，比当前最强大模型基线高出15.9%。一、不是“搜资料”，是“拼证据”...
没有标准答案时，用经济学旧招评大模型
去年Vossler团队发表的一项水质价值调查，测了六个大语言模型——两个老模型在家庭年收入7.5万美元的水平上，连最基础的理论测试都通不过，两个最新模型倒是通过了所有理论有效性测试，但在收敛性上...
PHRBench：测LLM在幻觉后怎么修正错误
4820个受控测试实例里，大语言模型从幻觉中成功修正错误的情况，比多数人想的少。这是arXiv上cs.CL和cs.AI分类的一篇新研究，搞了个叫PHRBench的基准，专门盯着LLM“幻觉后推理...
MemoCare：用手机就能做的自动认知筛查系统
MemoCare的绘图模块，在锁定的71张图像测试集上，平均平衡准确率达到91.33%——这是一款主打自动认知筛查的多模态移动系统交出的测试答卷。它是什么？MemoCare是一款交互式移动端应用...
RobotWorld基准测试：智能体在物理机器人上的表现差在哪？
RobotWorld给智能体测了84个机器人任务，结果打破了不少人对通用智能体的期待——那些能写代码、搞定复杂数字任务的模型，到了物理世界就容易掉链子。RobotWorld测的不是虚的，是真的机...
解决交错图文生成难题：一种训练免费的自校正优化
多模态大模型生成交错图文内容时，之前的方案普遍要靠额外数据训练，计算成本高，还常出现视觉主体丢失、时序混乱、物理逻辑不合理的问题。新提出的SCO方法不用额外训练，在挑战性基准测试中，时序一致性和...
RoboQuest基准：通用物理机器人的探索困境
在RoboQuest基准测试里，目前最好的多模态物理代理，任务成功率才23%。RoboQuest要解决的真问题多模态基础模型发展到现在，已经能完成不少操作任务，成了所谓“通用物理代理”。但有个实...
爱沙尼亚语文档简化：大模型表现差距明显
正文：爱沙尼亚语是种形态极其复杂的低资源语言，直到最近，它的文档级文本简化研究几乎是空白——这是一篇cs.CL分类的arXiv论文抛出来的事实。研究到底测了啥？文档级文本简化和改单个句子完全两码...
TaoD2C-Bench：测MLLM UI代码生成，不止看视觉
2861个来自17家商业平台的真实UI生产设计，97652条专家标注，这是刚在arXiv公开的TaoD2C-Bench基准数据集的全部家底——它专门测多模态大模型（MLLM）的UI代码生成能力，...
MultiFly：首个低空无人机多模态感知标注基准
115张手工标注的RGB图像，换来了17000多份多模态数据的帧级语义标注——这是刚公开的MultiFly数据集交出的核心成绩。多模态标注的老问题之前做低空无人机感知的，谁没为标注愁过？RGB、...