斯坦福大学发布了差异感知基准数据集，包含8个基准测试，旨在评估AI模型的公平性表现，推动AI技术与社会价值的结合，从「无差别公平」转向「差异感知公平」。

本文介绍了高质量基准数据集CLEVER，包含161个专注于代码生成验证的问题。CLEVER避免了测试用例监督，确保输出通过Lean类型检查器验证，揭示了程序合成和形式推理的挑战。

本文研究了大语言模型（LLMs）在关键行业中的安全性，特别是恶意查询导致的数据泄漏风险。通过建立基准数据集，比较了13种安全工具的有效性，发现Lakera Guard和ProtectAI LLM Guard表现最佳，并提出了改进建议。

本研究提出了CXMArena，一个用于评估AI在客户体验管理中表现的新型合成基准数据集。研究显示，最新模型在该基准上的准确率仅为68%，面临显著挑战。

本研究评估了实时视频语言模型在辅助视觉障碍者中的有效性，构建了基准数据集（VisAssistDaily）。结果显示，GPT-4o在任务成功率上表现最佳。此外，提出了环境意识数据集SafeVid，以检测动态环境中的潜在危险，为未来研究提供了启示。

本研究提出了MedArabiQ基准数据集，涵盖七个阿拉伯医疗任务，旨在解决大型语言模型在阿拉伯医疗领域应用不足的问题。通过评估多个顶尖模型，强调创建高质量基准的重要性，以确保公平部署和扩展性。

本研究提出了一种新算法DEAN（深度集成异常检测），能够有效学习正常数据模式。DEAN在121个基准数据集上超越了19种现有方法，展现了其竞争力和可靠性。

本研究探讨了人工智能在地球观测中的可靠性，提出基准数据集以评估AI能力。通过微调合成数据，提升了开放模型的表现，使小模型在准确性上与大模型相当。研究强调在实现AI自动化地球观测前需解决的关键挑战，并指明未来研究方向。

该研究提出了Mobile-MMLU，这是一个专为移动智能设计的大规模基准数据集，旨在评估大型语言模型在移动设备中的表现，重点关注推理延迟和能量消耗等关键指标，为移动计算环境中的智能应用提供标准化评估框架。

本研究提出了OpenSDID基准数据集，旨在解决开放世界中识别扩散生成图像的挑战。通过协同预训练模型和MaskCLIP模型，显著提升了检测和定位能力。

本研究提出了镜头序列排序（SSO）任务，以满足短视频制作对专业编辑技能的需求。通过引入新的基准数据集和评价指标，研究表明该方法显著提高了SSO任务的准确性，推动了相关领域的发展。

本研究通过引入新基准数据集和增数据方案，旨在增强通用信息提取（UIE）的鲁棒性。实验结果表明，仅使用15%的数据即可提升7.5%的性能。

本研究提出了一种新颖的梯度共现分析方法GradCoo，克服了现有危险提示检测对大数据的依赖，提升了检测准确性，并在多个基准数据集上优于现有技术。

本研究提出了新基准数据集TGB-Seq，旨在提升时序图神经网络对复杂序列动态的学习能力。研究表明，现有模型在该基准上的表现不佳，为未来研究提供了挑战与机遇。

本研究提出了一种新型视觉基础模型，旨在提升数字病理领域的模型性能。该模型在120万张组织病理图像上进行训练，并在21个基准数据集上取得优异表现，展现出显著的应用潜力。

本研究探讨了三分法推理在法律判决预测中的应用，并提出了包含无罪判决的基准数据集LJPIV。实验结果表明，整合三分法推理显著提高了判决预测的准确性，尤其在无罪判决案例中效果明显。

本研究提出ASDnB模型，解决主动说话者检测中身体动态特征利用不足的问题。该模型通过整合面部与身体信息，在复杂条件下表现优异，实验结果在多个基准数据集上达到最先进水平。

本研究探讨了地球观测产品不确定性量化的可靠性，提出了三个专门设计的基准数据集，以比较不同的不确定性量化方法。这些数据集涵盖回归、图像分割和场景分类等问题，促进了机器学习模型输出质量的准确评估。

本研究提出了Interaction-to-Code任务，填补了自动化网页设计中对动态交互元素的忽视，构建了包含97个网页和213种交互的基准数据集，揭示了多模态语言模型在生成交互特征方面的局限性，并提供了提升性能的关键因素。