Статті за тегом: #валідація

7.5
psychometric_modeling

Every Wrong Answer Counts: Option-Level Psychometrics for LLM Multiple-Choice Benchmarks

Xiao Fei, Yang Zhang, Sarah Almeida Carneiro, Michalis Vazirgiannis · arXiv (2026) · doi:10.48550/arxiv.2608.02966 · gemini-3.1-flash-lite

Повний розбір статті →

7.5
assessment_design

Do Coding Agents Deceive Us? Detecting and Preventing Cheating via Capped Evaluation with Randomized Tests

Thanawat Lodkaew, Johannes Ackermann, Soichiro Nishimori, Nontawat Charoenphakdee, Masashi Sugiyama, Takashi Ishida · arXiv (2026) · doi:10.48550/arxiv.2606.07379 · gemini-3.1-flash-lite

Повний розбір статті →

7.5
assessment_design

NeutronGym: Physics-Graded Neutron Instrument Design for LLM Agents

Lijie Ding, Changwoo Do · arXiv (2026) · doi:10.48550/arxiv.2610.03631 · gemini-3.1-flash-lite

Повний розбір статті →

7.5
psychometric_modeling

Are Near-Tied LLM Rankings Robust to Family-DIF-Guided Benchmark Recomposition?

Qiaoyuan Zheng, Yiqu Yang · arXiv (2026) · doi:10.48550/arxiv.2609.00482 · gemini-3.1-flash-lite

Повний розбір статті →