寻脉SEEKPULSE
登录注册
发现热榜需求广场技术讨论工具箱信源

AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

范围：站内优先仅站内全网全网通道：bing
大家都在搜：AbridgeKV 在 vLLM 中的实现改动涉及哪些模块？16KODA 在 Unitree G1 上的四项任务分别是什么？16ReviewPilot 与 AgentSLR 在可追溯性设计上的差异是什么？16ReviewPilot 与 AgentSLR 在架构和评测上的具体差异是什么？16论文 [1] 如何定义和评估“已恢复”状态？16vLLM15论文 [1] 与哪些现有自主恢复方法做了对比实验？15论文 [1] 中基于相平面的稳定平衡点具体如何定义？15
AI 答案正在检索与综合…

站内相关条目

3 条 · 点击可看原文全文与中文译文

返回信息流

Evo-DexBench: Benchmarking Generalization across Related Tasks for Dexterous Manipulation

Evo-DexBench 是面向灵巧操作策略泛化能力的新基准，基于 Core-Gen 原则控制源任务相关性与目标任务样本量，含 6 类功能族 30 个任务、1248 条多模态演示。实验显示最优方法平均成功率仅 38.5%，揭示现有方法难以迁移功能交互知识，为评估跨相关任务泛化提供标准化平台。

具身智能·arXiv cs.RO·5 天前
#robotics

APRiL: An Open-ended Benchmark for Chinese Social Awareness in Large Language Models

APRiL 是一个面向中文社会意识的开源评测基准，含 2196 个评测实例、六大类别与两项任务：社会情境分析与社会意识回应。它用实例专属评分标准弥补现有基准覆盖面窄的问题，并在 12 个模型上发现「理解强、回应弱」的稳定差距，为中文社交场景下的模型评估提供系统资源。

大模型·arXiv cs.CL·5 天前
#benchmark

Evaluating Model Capabilities After Benchmark Saturation

论文研究基准饱和后如何继续评估模型能力：利用模型解题的完整转录文本而非仅分数。通过历史数据模拟饱和，发现配对评判法预测误差比仅用饱和分数降低5.3倍，信息集中在推理与工具调用等通道，但跨分布迁移时预测力不稳定。

大模型·arXiv cs.AI·5 天前
#benchmark