本研究提出TailoredBench方法，以解决模型快速演变期间大型基准评估的资源消耗问题。定制评估使MAE准确率估计平均降低31.4%。

本研究提出了一种层次统计模型，以解决大型语言模型基准评估中的内在随机性问题。通过多代生成提高分数估计的准确性，降低方差，并引入基于正确率的提示级别难度评分，以增强错误检测和质量控制。

本研究分析了人工智能基准评估方法的不足，涵盖约100项研究，揭示了量化基准在能力、安全和风险评估中的局限性，强调了当前实践中的系统性缺陷，旨在提升AI基准的问责性和相关性。

本研究解决了方法名称与实现不一致的问题，导致程序理解和维护混淆。通过新基准评估深度学习方法，发现其在真实场景中的表现不如预期，并指出了需改进的关键问题。

本研究提出了Bench-CoE框架，旨在解决大语言模型在多任务处理中的能力不足。通过基准评估实现专家协作，显著提升任务性能，实验结果优于单一模型，为后续研究奠定基础。

本研究解决了资产信息与数据分类系统对接的难题，提出了一种基准评估方法，比较了文本嵌入模型的有效性，并强调了领域适应技术的进一步研究需求，同时发布了开源评估资源。

本文探讨了大型语言模型在图上进行多步骤推理的挑战，提出了新的基准来评估其在经典算法任务中的表现，发现提示技术和算法指令仍需改进以增强推理能力。

本研究提出一种新方法，通过上下文学习估算任务间的可迁移性，解决大规模基准评估大语言模型时的复杂性问题。该方法在不需要训练和梯度计算的情况下，将任务数量减少到原基准的5%，显著节省时间和资源。

该研究介绍了MM-Instruct，这是一个大规模、多样化的视觉指令数据集，旨在提升大型多模态模型的指令跟随能力。通过现有语言模型从图像字幕数据生成新的视觉指令数据，并建立基准来评估这些模型的能力。

通过对多个基准进行评估，研究人员提出了基于分离符号化和共享推理的视觉推理框架设计原则，并展示了该框架在各种视觉推理任务上的泛化能力。

该文提出了一种用于多知识库问答的新任务，并构建了多样化的基准来评估性能。通过将链接关系编码到知识库嵌入中，提出了一种用于多知识库问答的方法，实验结果表明其优于传统的知识库问答系统。