Navers Lab / Einsia:六个评测分别测什么
按任务、评分和证据理解 Einsia 的六个评测,连接完整 Radar 详情与原始发布资料。
Claire Radar
原始来源英文简介
SPIEval is a human-curated benchmark for evaluating large language models as mobile assistants that retrieve and reason over personal information scattered across multiple apps. It comprises 250 tasks across five cognitive capabilities, 4,335 fictional personal records in 10 simulated apps, and supports multi-turn interaction through 21 tools. Models receive underspecified user instructions and must search records and invoke tools; final execution calls are compared to human-annotated gold calls at the parameter level.
本站尚未从这条来源记录收录数值成绩。下面的论文、代码或数据入口可用于核对任务与实验结果;这不表示原论文没有实验结果。
目录采集于 2026-10-14,资料入口与字段反映当时保存的来源。
观测日期:2026-10-13
这是注明日期的关注度观测,不是实时计数或评测分数。
本站保留来源报告的结果,不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期;不同运行条件不能直接合并为统一排名。
本来源记录尚未收录数值成绩。这不表示模型得分为零,也不表示该评测没有公开成绩;请查阅原始资料。