evaluation

llm ,  perplexity ,  benchmark ,  agent ,  evaluation ,  deep-research

llm ,  paper ,  bytedance ,  benchmark ,  scaling-law ,  technical-report ,  agent ,  evaluation ,  research

llm ,  benchmark ,  agent ,  evaluation ,  code-generation ,  cognition

llm-benchmark ,  evaluation ,  ethereum ,  smart-contract ,  chainreason ,  defi ,  solidity ,  reasoning-eval

multimodal ,  vision-language ,  large-vision-language-model ,  benchmark ,  capture ,  evaluation ,  mllm-benchmark ,  lvlm ,  image-captioning