评估基准

wyd-benchmark是一个为可控人类视频生成提供精细评估的新基准。它包含1544个标注视频，覆盖56个细分类别，系统性衡量9个人类生成方面的表现，并提出并验证了更贴近人类评价的自动评估指标。

OS Agents: A Survey on MLLM-based Agents for General Computing Devices Control，提供有关操作系统代理的研究进展、相关论文、框架、评估基准及安全隐私资源。

这篇论文探讨了如何评估大模型的性能，包括评估的内容、地点和方法，并分析了当前评估方法的有效性和可信度。

一个关于LLM作为评判器的综合资料库，收集整理了大语言模型在评判任务中的应用研究，涵盖了帮助性、无害性、可靠性、相关性、可行性等多个评估维度，以及相关方法论和评估基准

这是一个与大型语言模型评估相关的论文和资源集合，旨在为研究人员和从业者提供全面的参考资料，定期更新新发现和资源。

Graduate-Level Google-Proof Q&A Benchmark，是一个评估大型语言模型和可扩展监督机制能力的高难度数据集，包含448道选择题，旨在测试专家的准确率。

这是一个关于大规模语言模型的精彩集合，汇聚了最新的研究成果和资源，包括论文、技术进展以及各种语言模型的比较和评估，支持社区的贡献和反馈。

PlagiarismCheck 是一款在线查重工具，提供 100% 准确的抄袭检测服务，适用于教育机构和学生，帮助用户高效地识别和避免抄袭问题。

本项目对大型语言模型中的上下文长度扩展进行了详细调研，讨论了现有策略、评估复杂性及研究者面临的挑战。