Le filThèmes : ÉvaluationsRecherche
ROWBench teste si les modèles vidéo restituent fidèlement ce que spécifie un programme
1 sourcemis à jour il y a 5 jpertinence 2,8 sur5
L’essentiel
ROWBench compte 170 épisodes construits par programme, 200 vues caméra et 600 entrées proxy. Il mesure 12 métriques, dont l’alignement logique-rendu et le taux de réussite des interactions.
Propagation1 article, publié par HF Daily Papers le 2 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceZheng-Hui Huang, Guixu Lin, Yu-Ju Tsai et al.huggingface.co
ROWBench: Do Video Models Render What the Program Specifies? (site externe)
A program runs the world; a video model renders it. PROWBench asks whether video models render what the program specifies — the right action, the right outcome, at the right time.
Sur les mêmes thèmes
Évaluations
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Évaluations
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Évaluations
Une étude montre que la date cachée dans les prompts système fait varier les évaluations de LLM
Évaluations
MILO fait évoluer des harnais d’agents et leur stratégie de recherche, et dépasse huit harnais de référence
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5