标签：#SWE-Bench##大模型编程能力##大模型评测##大模型评测基准# 时间：2025/03/11 09:08:22 作者：小木
SWE-bench Verified：提升 AI 模型在软件工程任务评估中的可靠性
MATH vs. MATH-500：数学推理评测基准的对比与解析
SWE-bench大模型评测基准介绍：测试大模型在真实软件工程任务中的能力
GPQA Diamond：评估专家级推理能力的问答基准
GPQA: 可以防止使用谷歌作弊的研究生级别难度的大模型专业能力评测基准（A Graduate-Level Google-Proof Q&A Benchmark）
LiveCodeBench：全面的 LLM 代码评测基准基准
大模型多模态评测基准MMMU介绍
SWE-Lancer：OpenAI发布的一个全新大模型评测基准，用来测试大模型解决真实世界软件工程的能力
MMLU Pro大模型评测基准介绍：MMLU的进化版本，可以更好区分大模型普遍知识和推理能力的通用评测标准
大模型评测的新标杆：超高难度的“Humanity’s Last Exam”（HLE）介绍
Dirichlet Distribution（狄利克雷分布）与Dirichlet Process（狄利克雷过程）
回归模型中的交互项简介（Interactions in Regression）
贝塔分布（Beta Distribution）简介及其应用
矩母函数简介（Moment-generating function）
普通最小二乘法（Ordinary Least Squares，OLS）的详细推导过程
使用R语言进行K-means聚类并分析结果
深度学习技巧之Early Stopping（早停法）
H5文件简介和使用
手把手教你本地部署清华大学的ChatGLM-6B模型——Windows+6GB显卡本地部署
Wishart分布简介
