Benchmarking Generation and Evaluation Capabilities of Large Language Models for Instruction Controllable Summarization

On Evaluating the Integration of Reasoning and Action in LLM Agents with Database Question Answering

Struc-Bench: Are Large Language Models Good at Generating Complex Structured Tabular Data?

P-FOLIO: Evaluating and Improving Logical Reasoning with Abundant Human-Written Reasoning Chains

M3SciQA: A Multi-Modal Multi-Document Scientific QA Benchmark for Evaluating Foundation Models

FinDVer: Explainable Claim Verification over Long and Hybrid-content Financial Documents

MIMIR: A Customizable Agent Tuning Platform for Enhanced Scientific Applications

OMG-QA: Building Open-Domain Multi-Modal Generative Question Answering Systems

OpenT2T: An Open-Source Toolkit for Table-to-Text Generation

FOLIO: Natural Language Reasoning with First-Order Logic