Holistic Evaluation of Language Models
- arXiv
- 2211.09110
- Repo
- arXiv
- Benchmarks
- HELM
- Checked
- 2026-07-14
参考文献・書誌一覧
本サイトが根拠とする論文・文書の書誌を公開します。arXiv ID・DOI・venue（査読済み採択先）・preprint 表記を分けて表示し、引用の透明性を保ちます。
arXiv は preprint リポジトリです。venue 欄は査読済み学会/ジャーナル採択を示します。 peerReviewed=true の場合のみ venue を記載。venue の正確性は要ユーザー承認（未確認は未確認と表示）。
Lost in the Middle: How Language Models Use Long Contexts
- arXiv
- 2307.03172
- Repo
- arXiv
- Benchmarks
- long-context-probe
- Checked
- 2026-07-14
LongBench: A Bilingual, Multitask Benchmark for Long Context Understanding
- arXiv
- 2308.14508
- Repo
- arXiv
- Benchmarks
- LongBench
- Checked
- 2026-07-14
SWE-bench: Can Language Models Resolve Real-World GitHub Issues?
- arXiv
- 2310.06770
- Repo
- arXiv
- Benchmarks
- SWE-bench
- Checked
- 2026-07-14
Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference
- arXiv
- 2403.04132
- Repo
- arXiv
- Benchmarks
- Chatbot Arena
- Checked
- 2026-07-14
Judging the Judges: A Systematic Study of Position Bias in LLM-as-a-Judge
- arXiv
- 2406.07791
- Repo
- arXiv
- Benchmarks
- LLM-as-a-Judge
- Checked
- 2026-07-14
Justice or Prejudice? Quantifying Biases in LLM-as-a-Judge
- arXiv
- 2410.02736
- Repo
- arXiv
- Benchmarks
- LLM-as-a-Judge
- Checked
- 2026-07-14
State of AI: An Empirical 100 Trillion Token Study with OpenRouter
- arXiv
- 2601.10088
- Repo
- arXiv
- Benchmarks
- OpenRouter usage
- Checked
- 2026-07-15
最終確認: 2026-07-16