Материал бастапқы дереккөзден алынған:
arXiv — cs.AI
Толық мәтінді arXiv — cs.AI сайтында оқуМатериал ашық дереккөздерден жиналған. Оның орналастырылуы сіздің құқықтарыңызға тиіп жатса → Ақпаратты жою
Тақырып ағылшын тіліндеSkillScriptBench: Benchmarking Self-Evolution of Executable Agent Skill Packages Beyond Markdown
Executable Agent Skills combine natural-language instructions and scripts into reusable packages for LLM agents, and revising them requires fixing errors without breaking correct behavior. Existing benchmarks do not systematically distinguish documentation repair, script repair,…
AI қорытындысы: Басты тезистер
- Executable Agent Skills combine natural-language instructions and scripts into reusable packages for LLM agents, and revising them requires fixing errors without breaking correct behavior
- Existing benchmarks do not systematically distinguish documentation repair, script repair,…
SkillScriptBench: Benchmarking Self-Evolution of Executable Agent Skill Packages Beyond Markdown
Ұқсас материалдар
ENA Controlled LLM Workflow for Evidence-Grounded Diagnosis of Risk Score Differences
arXiv:2610.23962v1 Announce Type: new Abstract: We propose a controlled Large Language Model (LLM) workflow for explaining risk score differences using similar historical transactions. The workflow combines reference retrieval and contrastive SHapley Additive exPlanations (SHAP)…
Ашық ниеттен тыс: адам мен AI бірлесіп жасау арқылы көркемдік ниетті ашу және қалыптастыру
arXiv:2610.24010v1 Хабарландыру Түрі: жаңа Аннотация: Генеративті AI көркем шығармашылықтың маңызды құралына айналуда, дегенмен бар өзара әрекеттесулер көбінесе жасаушылар ниеттерін алдын ала белгілеп, оларды мәтіндік кеңестер арқылы дәл хабарлай алады деп болжайды. Көркемдік ниет,…
GardenBench: LLM қабілеттерінің жеңіл, күнделікті бағалауы
arXiv:2610.23866v1 Хабарлама түрі: жаңа Анотация: Біз GardenBench-ді ұсынамыз, бұл 11 тест жинағынан тұратын бенчмарк, ол үлкен тілдік моделілердің (LLM) қабілеттерін әртүрлі тапсырмалар бойынша бағалайды. LLM-дерді жүйелі түрде әртүрлі жеңіл сұраулармен подсказ бера отырып, біз құжаттаймыз…
ENLogicVal:A Logic-Formalized Benchmark for Constraint Satisfaction in Text-to-Image Generation
arXiv:2610.24051v1 Announce Type: new Abstract: Text-to-Image (T2I) generative models have made significant progress in producing high-fidelity images from natural-language prompts. Alongside this progress, numerous benchmarks have been developed to evaluate capabilities such as…