社区Hacker News2026/03/15 04:154730
• 系统梳理基准测试发展历程
• 分析多种任务的测试方法
本书系统探讨机器学习基准测试的发展、技术及应用价值，涵盖多种任务类型与评估指标，强调其在算法优化与行业标准中的作用，适合研究者和工程师参考。
专题：evaluation-metrics
按该标签聚合的大模型资讯列表（自动分类与标签提取）。共 2 篇文章。
按该标签聚合的大模型资讯列表（自动分类与标签提取）。共 2 篇文章。
本书系统探讨机器学习基准测试的发展、技术及应用价值，涵盖多种任务类型与评估指标，强调其在算法优化与行业标准中的作用，适合研究者和工程师参考。
MMDeepResearch‑Bench（MMDR‑Bench）是由俄亥俄州立大学、Amazon Science 等联合发布的多模态深度研究代理评测基准。它提供 140 份覆盖 19 个领域的图像‑文本任务，要求模型在检索、读图、报告撰写全链路上实现证据可追溯、断言可对齐。评测框架包括 FLAE（长文质量）、TRACE（Claim‑URL 与视觉证据核验）…