标签
一项系统性研究，定义并分析了60个语言模型基准中的基准饱和现象，发现近一半的基准已出现饱和，且专家精选的基准更具韧性，为构建持久评估提供了设计选择。
本文系统评估了语言智能体的模型生成技能，涵盖经验生成、提取和消耗的完整生命周期，发现技能平均有益但存在显著的负迁移，从而引出一种提高技能质量的元技能。
本文系统研究了跨模态技能注入，将领域专家大语言模型融入视觉语言模型以激发新兴多模态能力。评估了不同场景（指令遵循、跨语言、数学推理）、融合方法（TA、DARE等）及超参数，发现TA和DARE在除数学推理外表现良好。