ScreenSuite : Évaluation des Agents GUI avec précision
ScreenSuite offre une évaluation ciblée pour les agents GUI, facilitant l'intégration et la performance.
·
3 min
benchmark
NeurIPS 2025 : Compétition E2LM pour évaluer les early-stage LLMs
Découvrez la compétition NeurIPS 2025 sur l'évaluation précoce des modèles de langage, un défi stimulant pour la communauté du machine learning.
·
3 min
FutureBench : Évaluer les IA sur la prédiction d’événements futurs
FutureBench redéfinit l'évaluation IA avec des prédictions d'événements futurs. Modèles testés sur stratégie et incertitude.
·
3 min
TimeScope : Évaluer la compréhension vidéo des modèles multimodaux
TimeScope, un benchmark pour tester les limites des modèles vidéo multimodaux. Compréhension réelle ou simple revendication commerciale ?
·
4 min
3LM : Benchmark pour LLMs arabes en STEM et Code
Découvre comment 3LM évalue les LLMs arabes sur des domaines techniques clés avec des données inédites.
·
3 min
SPEED-Bench : évaluation avancée pour le Speculative Decoding
SPEED-Bench redéfinit le testing des LLM avec des mesures réalistes et diversifiées pour le speculative decoding.
·
3 min
RTEB : Nouveau standard pour évaluer la qualité des modèles IA
Découvrez RTEB, le benchmark qui redéfinit l'évaluation des modèles de récupération en IA en alliant transparence et généralisation.
·
4 min