XiaoMi-AI文件搜索系统
World File Search SystemBenc
基准作为未来经济的基础
不幸的是，今天，竞争性问题通常仅从生产的角度考虑，而不会影响其他领域。现代思想假设确保无形资产和智力资本发挥竞争力的主要作用[1]。但是，该声明与市场上的俄罗斯现实并不完全一致：公司之间的信息链接仍然太弱，创新的引入薄弱，法律框架尚未充分准备[2]。另一方面，俄罗斯公司对各种因素，尤其是危机现象的越来越大的压力导致对他们之间的市场份额的竞争加剧。同时，大多数公司很少关注，也不在决策领域进行研究，以制定竞争性发展的战略。在经济各个部门管理生产方面和企业经济活动方面的有效机制之一是一项比较研究，是确定，理解和适应最近竞争性公司有效运作的现有示例的建模，以提高自己的绩效[3]。模型和决策方法，用于管理自己的竞争力
MedPerf - 使用联合评估的医疗 AI 开放基准测试平台
Vector Institute)、Vijay Janapa Reddi（哈佛大学）、G Anthony Reina（在英特尔任职期间做出贡献）、
svgeditBench：用于定量评估LLM SVG编辑功能的基准数据集
文本到图像模型近年来已显示出进展。随着这一进展，从文本中生成向量图也已提出。svg是向量图形的流行效果，SVG代表带有XML文本的场景。因此，大型语言模型可以直接处理SVG代码。考虑到这一点，我们专注于使用LLMS编辑SVG。用于定量评估LLMS编辑SVG的能力，我们提出了SVGeditBench。svgeditBench是评估LLMS编辑SVG代码能力的基准。在提议的基准下进行评估时，我们还显示了GPT-4和GPT-3.5结果。在实验中，GPT-4在定量和质量上都显示出与GPT-3.5的优势。该数据集可在https://github.com/mti-lab/svgeditBench上找到。
供应链基准领先工具比较
doyensec进行了三个流行的软件组成分析（SCA）工具（Semgrep，Snyk和Displyabot）的并排比较，以评估其能力，以正确地确定应用程序的第三方库，具有已知漏洞是否在该应用程序中确实引入了可利用的条件。这包括确认不仅包括脆弱的库版本，而且还包括公开披露中所述实际使用的脆弱功能或配置。需要高度准确性，以减少误报的总数，从而减少专业人员所需的整体分式分三名努力。通过手动分析，我们测量了真实和误报，并确定了安全团队来调查工具发现所需的努力水平。
ProAI：适用于汽车应用的高效嵌入式 AI 硬件——基准研究
多年来，单板计算机 (SBC) 领域的发展一直在不断加快。它们在计算性能和功耗之间实现了良好的平衡，这通常是移动平台所必需的，例如用于高级驾驶辅助系统 (ADAS) 和自动驾驶 (AD) 的车辆应用。然而，对更强大、更高效的 SBC 的需求日益增长，这些 SBC 可以实时运行功耗密集型深度神经网络 (DNN)，还可以满足必要的功能安全要求，例如汽车安全完整性等级 (ASIL)。ZF 正在开发“ProAI”，主要用于运行强大而高效的应用程序，例如多任务 DNN，此外，它还具有 AD 所需的安全认证。在这项工作中，我们基于功耗密集型多任务 DNN 架构 Multitask-CenterNet，就 FPS 和功率效率等性能指标比较和讨论了最先进的 SBC。作为一款汽车超级计算机，ProAI 实现了性能和效率的完美结合，其每瓦 FPS 数量几乎是现代工作站笔记本电脑的两倍，几乎是 Jetson Nano 的四倍。此外，根据基准测试期间的 CPU/GPU 利用率，还显示 ProAI 上仍有剩余电量用于执行进一步更复杂的任务。
Cy-Bench：一个用于子...
1 Wageningen University and Research，人工智能，邮政信箱16，Wageningen，6700 AA，荷兰。皮埃尔·维亚拉（Pierre Viala），蒙彼利埃（Montpellier），34000，法国17莱布尼兹农业景观研究中心，模拟和数据科学，埃伯斯瓦尔德·斯特劳斯（EberswalderStra笔环境研究，计算水系统系，珀索斯特拉赛15号，莱比锡，04318，德国20欧盟委员会联合研究中心，粮食安全部门，E.Fermi 2749，ISPRA，VA I-21027，意大利2 Technical University of Munich, Chair of Data Science in Earth Observation, Arcisstraße 21, Munich, 80333, Germany 3 Purdue University, Department of Agronomy, 915 Mitch Daniels Blvd, West Lafayette, IN 47907, United States 4 Ankara University, Faculty Of Agriculture Engineering, Dögol Caddesi 06100 Tando˘gan, Ankara, 6110，土耳其5马里兰大学，地理科学系，7251 Preinkert Drive，Collega Park，MD 20742，美国6 NASA戈达德太空研究所，GISS气候影响小组，邮件代码611，纽约，纽约10025，纽约，10025 Vrije Universiteit Amsterdam，环境研究研究所，DE BOELELAAN 1105，阿姆斯特丹，1081 HV，荷兰9 Potsdam气候影响研究所，气候弹性研究部，PO Box 60 12 03，Potsdam，Potsdam，4412，德国10，Manitoba University of Manitoba University of Manitoba，Winn winn winn winn 5V6, Canada 11 Universitat de València, Image Processing Laboratory, C/ Catedràtic Agustín Escardino Benlloch, 9, València, 46980, Spain 12 Seidor Consulting, C/Provençals 44, Barcelona, 08019, Spain 13 International Crops Research Institute for the Semi-Arid Tropics, West and Central Africa Region Hub, PO Box 320,巴马科，马里14国际热带农业研究所，自然资源管理，邮政信箱30677，内罗毕，00100，00100，肯尼亚15联邦科学与工业研究组织（CSIRO），农业和食品，147 Underwood Wood Wood，珀斯，澳大利亚6014，澳大利亚16号，澳大利亚16号国家研究所，国家研究所，国家研究所农业研究所，农业和环境。
将AI基准数据映射到通过专家启发的定量风险估计
文献和多位专家指出了大型语言模型（LLM）的许多潜在风险，但对实际危害的直接测量仍然很少。AI风险评估到目前为止一直集中在衡量模型的功能上，但是模型的功能只是风险的指标，而不是衡量风险的指标。更好地建模和量化AI风险方案可以帮助桥接这种断开连接，并将LLM的功能与有形现实世界的危害联系起来。本文通过证明如何使用现有的AI基准来促进风险估计的创建，从而为该领域做出了早期贡献。我们描述了一项试点研究的结果，其中专家使用AI基准Cybench的信息来生成概率估计。我们表明，对于此目的，该方法似乎很有希望，同时指出可以进一步加强其在定量AI风险评估中的应用。
dlbench+：定量和定性数据湖评估的基准
摘要。在过去几年中，数据湖的概念已成为数据存储和分析的时尚。因此，已经提出了几种方法来构建数据湖系统。但是，由于没有通常的共享标准来比较数据湖系统，因此很难评估此类建议。因此，我们在本文中介绍了DLBench+，这是一种评估和比较支持文本和/或表格内容的数据湖实现的基准。更具体地说，我们提出了一个由文本和CSV文档制成的数据模型，该模型是由一组各种任务组成的工作负载模型以及一组基于绩效的指标，所有这些指标都与数据湖的上下文有关。除了纯粹的定量评估之外，我们还提出了一种方法，以通过评估用户体验来定性评估数据湖系统。作为概念证明，我们使用dlbench+评估我们开发的开源数据湖系统。
AMB2025-04基准测量和挑战问题：激光热线定向能量沉积（DED）3D基于镍的Superalloy 718 TES
图1显示了构建的一般几何形状。激光焊缝在电线馈周周围有三个梁同心。挑战相关的测量值将包括残留应力/应变成分，在构建机器上拔掉后的底板偏转以及在构建过程中的底板温度。在构建过程中，激光功率保持恒定，但是进料速度和行进速度变化以产生良好的几何形状。激光校准数据，电线和底板材料组成，广泛的构建信息，包括编程的进料速率和旅行速度（G代码）以及一些热电偶数据。我们将不提供材料属性数据。