BiomniBench: Process-level Evaluation of LLM Agents for Real-world Biomedical Research
यह शोध पत्र BiomniBench प्रस्तुत करता है, जो एक नवीन प्रक्रिया-स्तरीय मूल्यांकन ढांचा है जो केवल परिणाम-आधारित बेंचमार्क की सीमाओं को दूर करने और तर्क एवं विधि चयन में महत्वपूर्ण विफलताओं को उजागर करने के लिए विशेषज्ञ-निर्मित रूब्रिक्स का उपयोग करके वास्तविक दुनिया के बायोमेडिकल अनुसंधान कार्यों पर LLM एजेंटों का आकलन करता है।