★ 2
GardenBench 发布：11 套测试每日评测大模型能力
研究者提出 GardenBench，包含 11 个测试套件，用轻量查询每日评测大模型在通用任务上的表现，并记录成本与耗时。该基准通过实时仪表盘公开结果，可捕捉模型上线后变更或新版本发布带来的性能波动与退化。
arXiv cs.AI13 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究者提出 GardenBench，包含 11 个测试套件，用轻量查询每日评测大模型在通用任务上的表现，并记录成本与耗时。该基准通过实时仪表盘公开结果，可捕捉模型上线后变更或新版本发布带来的性能波动与退化。