DeepResearch RewardBench:长篇研究报告奖励模型评测基准
DeepResearch RewardBench 面向深度研究系统生成的超长、信息密集且高度专业化的研究报告,专门评估奖励模型与 LLM 评委的排序能力。基准通过查询专属黄金评分细…
智客 ZICQ 每日整理大模型、开源基础设施与开发者现场的 AI 新闻与深度文章。
投稿技术文章当前筛选: 分类: 大模型 清除筛选
DeepResearch RewardBench 面向深度研究系统生成的超长、信息密集且高度专业化的研究报告,专门评估奖励模型与 LLM 评委的排序能力。基准通过查询专属黄金评分细…
大模型· 2026-11-10
一项面向 Mistral-7B 与 Llama-3.1-8B 的研究提出:不修改模型权重,而是利用 RoPE 注意力中不同频率平面的几何特性,将原本处于训练长度之外的远端 KV 映…
大模型· 2026-11-10
AYO(AI Youth Open Science)是一套面向儿童与青少年使用大语言模型的开源研究平台,针对未成年人实验中的安全、隐私、监护人同意和实验控制难题,提供适龄交互界面、…
大模型· 2026-11-10
一项面向退伍军人心理健康社交媒体内容的标注研究,在149条帖子、5个严重度等级、25个开源及专有模型和8种提示变体上评估LLM与8名退伍军人专家标注的一致性。模型间序数一致性最高达…
大模型· 2026-11-10
CulturalCrosswords收集42种语言的文化谜语,构建53组填字游戏,并从答案长度、提示、交叉约束和完整网格四个维度评测11种大模型配置。结果显示,提供答案长度可使参考…
大模型· 2026-11-10
DramaGrow提出面向中文五集剧生成的LLM评委审计基准,将可验证约束违规、五人评审中的四票偏好及组内分歧拆分到不同样本空间,并纳入120项字节保持干预。冻结测试显示,重复绝对…
大模型· 2026-11-10
一项面向Llama、Mistral、Gemma和Phi 4解码器模型的自然语言推理基准研究,在MNLI、QNLI与SciTail上比较零样本、少样本、ICS及MCQ式提示。结果显示…
大模型· 2026-11-10
CoMixKV面向多智能体LLM系统中多个代理同时驻留造成的KV Cache显存瓶颈,提出在线敏感度估计与跨代理、跨层联合位宽分配机制。控制器依据近期查询、键和值构造局部注意力误差…
大模型· 2026-11-10
BIBIMBAP将自然语言编辑建筑信息模型转化为可自动验证的Text-to-BIM任务,包含100项CRUD操作,覆盖空间、几何、拓扑、数值与概念五类变更。每项任务配套IFC输入、…
大模型· 2026-11-10
论文在 vLLM 上复现大模型服务过载场景,发现客户端与代理层自动重试会持续制造额外执行;即使请求量已低于服务容量,单纯传播取消也未能在任何实验中恢复服务,过载后仅有12%至38%…
大模型· 2026-11-10
ChainFlow 是一种以目标模型隐藏状态为条件的新型推测解码草稿器。它把草稿生成建模为潜空间中的短程流传输,仅需一至两步即可生成候选 Token;变分自编码器负责压缩目标隐藏状…
大模型· 2026-11-10
论文提出 Aspect-wise Pairwise Tournaments(APT),把最佳候选选择从逐答案绝对评分改造成单淘汰式两两比较:每场比赛由多个现成验证器分别依据正确性、…