标签
论文介绍了 K-Bench 01，一个用于评估 AI 代理在真实科学请求中性能的基准，揭示了没有模型能持续达到可接受性能的阈值，过度声明是常见的失败模式。
EviRank 将多模态图像重排序重新表述为使用结构化证据包的语义约束满足，无需训练即可实现最先进的性能。
本文提出一个用于基于量规评分的句子级可解释性框架，比较了SHAP和LLM生成的理由。研究发现，微调预训练语言模型在预测准确性上优于LLM，且SHAP提供了更忠实和可迁移的解释。