Le filThèmes : ÉvaluationsRecherche
SolveEdit évalue la résolution de problèmes visuels par transformation de scène dans les modèles génératifs
1 sourcemis à jour 29 sept.pertinence 2,7 sur5
L’essentiel
Le benchmark compte 2 728 cas. Le meilleur modèle évalué atteint seulement 57,0 % de SolveScore. Le planificateur SolveEdit-PLAN améliore le score de 9,1 points en moyenne sur trois générateurs, sans modifier l’éditeur.
Propagation1 article, publié par HF Daily Papers le 29 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceWenjie Shu, Yexin Liu, Harold Haodong Chen et al.huggingface.co
SolveEdit: Benchmarking Visual Problem Solving in Generative Models (site externe)
Machine intelligence is often evaluated through abstract reasoning problems, yet many real-world problems are visual, such as arranging objects, repairing layouts, or tracing routes.
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