大模型评测

BRIDGE（Benchmarking Large Language Models for Understanding Real-world Clinical Practice Text）是全球首个专...

美团正式开源VitaBench智能体评测基准，针对外卖点餐、旅游出行等真实场景设计66种工具调用任务。数据显示当前领先模型跨场景任务成功率仅30%，通过深度推理、工具使用、用户交互三大维度量化短板，推...