09 Evaluation & Benchmarks

评测：Benchmark 设计（MMLU、HumanEval）、LLM-as-Judge、Arena 排行榜、数据污染检测、评估方法论等。

论文列表

论文	关键词	年份
MME	MLLM 评测、感知与认知、Yes/No 指令、手工标注、14 子任务	2024