PLE: Physical-Engineering's Last Exam发布 PLE 基准：85 个长程物理工程任务，最强配置仅 50.6%
发布 PLE 基准：85 个长程物理工程任务，最强配置仅 50.6%
首次用可签字、可计费的物理工程设计交付物评测智能体，暴露出最强配置也仅有 50.6% 且成本极高，可作为工程选型与评测参考。
大模型
资料 53 条 · 常规内容近 60–90 天，综述/报告保留一年最近同步 4 分钟前
浏览方式
Shorter Is Not Cheaper: A Controlled Comparison of Declarative Animation Specifications and Free-Form Code for LLM-Generated Explanations短格式不便宜：规格比代码短 25–48%，但未更快更可靠
短格式不便宜：规格比代码短 25–48%，但未更快更可靠
对 LLM 应用设计有直接启示：推理模型只缩短输出 token 不能降低延迟/提升可靠性，需评估格式的上下文学习成本。
SANE: Automated Scorer-Specific Metamorphic Testing for LLM JudgesSANE 验证测试族达 JRH 的 3.7 倍
SANE 验证测试族达 JRH 的 3.7 倍
LLM judge 广泛用于评测与训练，该方法自动生成分数器测试，提升可靠性验证。