评测基准

研究者推出CANDI-QA数据集，专门评估大语言模型在医疗、金融等专业领域的上下文对齐与用户感知能力。评测显示当前模型在专业领域仍面临显著挑战。

研究者发布CLIR-Bench基准，专门评估AI模型在稀疏、不规则采样的临床时间序列数据上进行问答推理的能力，填补了现有医学AI评测的空白。

研究人员推出首个俄语金融领域可验证思维链推理基准RusFinChain，涵盖17个金融领域172个主题，包含5280个参数化示例，并引入模糊数值对齐等增强评估指标。

中国信通院近日发布了AI基础设施运维领域的首个评测基准，覆盖了五款主流国产芯片，旨在提升AI基础设施的运维效率与标准化水平。

研究团队推出DiscoBench基准，用于评估搜索智能体在深度搜索中识别模糊查询、主动提出澄清问题并通过交互修正推理路径的能力。

研究者推出首个专注于多模态知识图谱检索增强生成（MKG-RAG）中检索环节的跨领域评测基准MKG-RAG-Bench，通过实验证明有效检索仍是提升系统性能的关键瓶颈。

研究团队推出LaViSA基准，专门评估视觉语言模型利用视觉场景解决句子结构歧义的能力，实验发现现有模型在部分歧义类型和视觉语义细微差异上仍存在局限。