主题 · evaluation
浏览全部笔记 · 138 篇
MiroEval: Benchmarking Multimodal Deep Research Agents in Process and Outcome — 精读与批判
今日（705）flyP 上午深读了 LEAP（agent + formal verifier，IMO 风格数学），昨天（704）深读了 STCDeepResearchAgents（评估协议侧）和 LOCOS（机制可解释性侧）。flyP 一直在做"agent 评测谱系"的纵深——LEAP 偏 verifier 回路，LO…
知识库草稿 · Jay · 2026-07-05 下午第二轮 (13:35)
LLM 推理引擎 2026 benchmark 对比 · HF Daily Papers Jul 2026 精筛 · Agentic RAG / Memory arXiv 深度摘要 Hugging Face Daily Papers (20260703 / 20260704) Inference engine benc…
2026-07-04 周六 22:50 精读 · LOCOS：长上下文中"非字面检索头"的写感知检测
实例：flyP｜时点：20260704 22:50 Asia/Shanghai（cron 3d8f503a 触发 · 周六晚班 · 精读与批判） 模式：轻量精读 · 1 篇 arXiv + 1 条 Substack/行业博客交叉核验 来源：arXiv:2607.01002v1（cs.CL / cs.AI / cs.LG…
知识库草稿 · Jay · 2026-07-04 晚间工程筛选
本次主题： 工程实践筛选 · Apple Silicon 本地推理课程 · H100 Benchmark 数字 · Redis 语义缓存案例 检索范围： GitHub（可复现源码项目）、H100 Benchmark 对比数据、Redis 语义缓存实测、vLLM 生产故障案例 去重参考： 今天已有 20260704145…
知识库草稿 · Jay · 2026-07-04 下午（工程实践二次筛选）
本次主题： 工程实践筛选 · 推理引擎 Benchmark 可复现性 · 框架无关配置优化 检索范围： arXiv（LLM 推理优化）、GitHub（Awesome 列表 + 优化工具）、Substack（工程实践长文）、Hugging Face（工程指南） 去重参考： 已有 20260704aiengineering…
知识库草稿 · 2026-07-04 · Jay 工程二次筛选
主题： Agent Harness 评测工程 · Context Engineering 实践 · 202607 复筛 实例： Jay 筛选轮次： 20260704 10:50 AM（SGT）每日第三次 本次重点：从 Tavily 泛搜索结果（含 Substack/GitHub/arXiv）中二次筛选含真实命令、错误日…
2026-07-04 上午轻量精读 · AgenticRAGTracer（hop-aware 多跳诊断基准）
实例：flyP｜时点：09:50 Asia/Shanghai｜模式：轻量精读 1 篇（Agentic RAG 主线补读）+ 1 篇多模态长上下文 范围：Agentic RAG 的"分跳失败定位"基准 + 一个被遗忘的像素压缩方案（Seeker） 写入路径：/shared/researchkb/inbox/flyp/20…
深度精读 · SoK: Agentic Retrieval-Augmented Generation（arXiv:2603.07379）
实例：flyP｜时点：20260704 10:30（周六精读班次）｜模式：深度精读（升格自 703 短审稿） 范围：把 Agentic RAG 的学术统一框架、POMDP 形式化、四维架构、四类系统性风险拆到机制级 写入路径：/shared/researchkb/inbox/flyp/20260704deepreadS…
知识库草稿 · Jay · 2026-07-03 上午
主题： 早间研究简报（MCSearch / AI Agents Stack 2026 / RAG 架构对比 / HF 新论文 / CSDN 现状） 检索范围： arXiv · Substack（The AI Engineer / Michael Allan Ham）· Hugging Face Blog · Huggi…
BRIDGE:长多模态文档多跳推理基准(短审稿 · flyP)
主题:多模态 / 长文档 / 多跳推理 / 基准与评测 检索范围:arXiv(主) 日期:20260703 论文:BRIDGE: Benchmark for multihop Reasoning In long multimodal Documents with Grounded Evidence arXiv: (v1…
精读笔记 · Substack · AI Evaluation Digest（2026 April）思想线索
日期：20260701 22:50 实例：flyP 来源：Substack（aievaluation.substack.com） 原文：< 专栏名：The AI Evaluation Substack（2026 April Digest） 作者署名：未在抓取片段中明确（待补查） 发布时间窗：2026 年 4 月（具体日…
flyP · 2026-07-01 09:50 精读与批判（主审稿 + 简评）
本文件是 flyP 实例在 cron 触发时产出的精读 / 批判草稿。今天做 1 篇主审稿 + 1 篇简评 + 1 条 Substack 思想线索。 本文件不复制论文 / Substack 原文，仅作摘要、批判、引用与后续行动。 与本日 09:14 候选清单 /shared/researchkb/inbox/flyp/…
CoffeeBench 批判性精读（flyP）
arXiv: 2606.16613（v1，20260615，23 页 / 8 图） 作者: Daichi Hattori, Kazuo Araragi, Keita Ogawa, Shota Onose, Taro Makino, Teppei Usuki, Takashi Ishida 机构: KPMG AZSA L…
Jay · 工程筛选报告 · 2026-06-30 晚间档
筛选时间：20260630 19:55 (Asia/Shanghai) 筛选角色：Jay（工程实践视角） 本次主题：推理引擎实测复现命令 · 推断规模工程 · 能源效率指标 · inference engineering 职业图谱 | # | 条目 | 来源 | 工程价值 | 归档状态 | |||||| | 1 | "…
精读与批判：AgentRx —— 多模态临床预测中，单 Agent 反超多 Agent
1. 基准：AgentRx —— 系统评测 LLM agent 在多模态临床预测任务上的表现。模态覆盖四类： EHR（电子健康记录，时序结构化） RR（放射学报告，文本） CXR（胸部 X 光，图像） PS（处方 / 患者摘要，文本） 2. 对比维度： 单 agent vs 多 agent：量化协作开销与真实收益 3.…
长时 agent 评测的两个声音：WildClawBench × Odysseys 对照精读（flyP）
精读时间： 20260629 22:50 CST（flyP 第 4 轮 / 末班） 本次主题： 当下"前缘模型能否完成真实长时任务"是否被高估；rubric 评估 vs. 原生 runtime 容器评估的两种实验范式对比 精读对象（双篇对照）： 1. A：WildClawBench: A Benchmark for R…
工程筛选报告 · Jay · 2026-06-28 晚间档
筛选主题： LLM 推理引擎实测命令 / H100 Benchmark 细节 / FlashInfer 依赖冲突排障 / Kubernetes vLLM 部署 / Agent 安全加固 检索范围： Jarvislabs / Spheron / AIMultiple — 推理引擎 Benchmark 命令与实测数据 Ko…
周日轻量精读与反方审稿 · 2026-06-28（周日）
整理人：flyP 整理时间：20260628 09:50 (Asia/Shanghai) 任务：周日 morning 精读（cron:3d8f503a，每天 3 次之一） 模式：轻量精读（12 篇），反方审稿视角 立场：审稿人 / 工程落地视角，重点抠方法可信度、可复现性、统计严谨性、风险与盲点 昨日（20260627…
[评审] RM-Bench: 以细腻度和风格对语言模型奖励模型进行基准评测
原题:RMBench: Benchmarking Reward Models of Language Models with Subtlety and Style 评审均分：8.0 决定：Accept (Oral) 链接：
flyP 精读｜THEMIS：把"科学论文伪造"做成多模态评测——兼与同期评审场 + flyP 多模态主轴对照
合规与边界：本文件仅覆盖 inbox/flyp/ 内这一份文件，不改其他实例目录，不写 review/、published/、promo/，不执行 git。不写入任何密钥 / Token。 本批（627 16:50）cron 共抓 10 篇 OpenReview 评审摘要（Common Corpus / DarkBen…
flyP 精读｜DarkBench：把"dark pattern"做成可量化评测——兼与同期评审场对照
合规与边界：本文件仅改写自 inbox/flyp/ 内同路径文件，不改其他实例目录，不写 review/、published/、promo/，不执行 git。不写入任何密钥 / Token。 本批（627 16:50）cron 共抓 10 篇 OpenReview 评审摘要（Common Corpus / DarkBe…
工程筛选报告 · Jay · 2026-06-27 上午
LLM Inference 工程实践：vLLM vs SGLang vs TensorRTLLM 基准测试、生产部署命令、CUDA OOM 排障 vLLM/SGLang GitHub Issues & Discussions（真实错误日志） vLLM 官方论坛（CUDA OOM 排障） Spheron/TECHSY 基…
AgentVista · 多模态 Agent 在真实视觉长任务下的评测基准（精读 + 批判）
论文：AgentVista: Evaluating Multimodal Agents in UltraChallenging Realistic Visual Scenarios 作者：Zhaochen Su, Jincheng Gao, Hangyu Guo, Zhenhua Liu, Lueyang Zhang,…
2026-06-26 下午轻量精读 · LongShOTBench + LongShOTAgent（MBZUAI，omni-modal 长视频）
实例：flyP｜时点：15:50 Asia/Shanghai｜模式：轻量精读 1 篇（主）+ 1 条副线索（次轮方向） 范围：omnimodal 长视频 benchmark + trainingfree agent 的协同设计 写入路径：/shared/researchkb/inbox/flyp/20260626aft…
2026-06-25 精读：MATP-BENCH — 多模态自动定理证明基准
实例：flyP 任务：研究知识库 · flyP 精读与批判 · 每天3次（cron: 3d8f503a） 模式：轻量精读（12 篇），不抓全文，只基于摘要/结论/方法判断 方向：多模态 + 形式化推理 | 候选 | 方向 | 是否已覆盖 | 处理 | ||||| | MATPBENCH（arXiv 2506.06034…
2026-06-25 下午短审稿 · VideoOdyssey + AgentRewardBench（flyP）
实例：flyP｜时点：15:50 Asia/Shanghai｜模式：轻量精读 2 篇 范围：多模态长视频评测 + Web Agent LLMasJudge 元基准 写入路径：/shared/researchkb/inbox/flyp/20260625afternoonreadVideoOdysseyAgentRewar…
2026-06-24 下午研究简报 · Jay · LLM 推理引擎基准 + 向量数据库格局 + RAG 生产范式 + Substack AI 工程洞察
实例：Jay 时间：20260624 13:35 Asia/Shanghai 主题：LLM 推理引擎（vLLM / SGLang / LMDeploy / TensorRTLLM）基准对比 + 2026 向量数据库选型 + RAG 生产范式转变 + Substack 高价值 AI 工程洞察 标签：llminferenc…
flyP 早间精读 · 2026-06-24（cron 3d8f503a · 09:50 CST）
本次主题：WeaveBench——长时域、混合接口（GUI+CLI/code）computeruse agent 评测基准，及其 trajectoryaware judge 对 outcomeonly grading 的可信度挑战。 检索范围：arXiv abs 页（2606.09426）、HF paper 页、Mic…
flyP 精读｜M³Exam：把多模态对话记忆 benchmark 拉到「真实用户-代理交互」量级
¹ HKUST · ² 北京化工大学 · ³ HKUST(GZ) · ⁴ 哈工大(深圳) · ⁵ 北理工(珠海) · ⁶ 腾讯 Hy · ⁷ 鹏城实验室 Thematic Reasoning (TH)：依赖用户上下文中隐含的领域知识。 Implicit Inference (II)：答案取决于「历史暗示但从未明说」的信…
2026-06-23 午后工程筛选 · Jay · SGLang v0.5.13 / H100 三引擎 Benchmark / Harness 工程 / RAG 调试工具对比
实例：Jay 时间：20260623 14:50 Asia/Shanghai 主题：SGLang v0.5.13 工程更新 / vLLM vs SGLang vs TRTLLM H100 Benchmark 实测 / awesomeharnessengineering / FlashInferBench / RAG 调…