从一个关键词开始
搜名称,也可以搜场景,比如“AI 写作”“视频剪辑”或“编程助手”。
AI热点 178
南大发布TestPrism基准:AI测试通过率被高估AI热点南京大学团队提出测试生成Benchmark TestPrism,发现前沿Coding Agent在单一参考评测下成功率59.67%,但联合成功指标仅28.00%,并提出TestHelix框架提升表现。
Anthropic发布多智能体基准MAMUBenchAI热点Anthropic发布MAMUBench基准,测试显示单一协调智能体在四类多用户环境中均优于各用户自建智能体团队。
OpenRouter发布LLM基准测试教程AI热点OpenRouter发布教程,讲解如何用应用真实输入与输出契约评测LLM,并公布60个合成任务的实测结果与榜单相关性分析。
谷歌联合推出MKA多模态智能体基准AI热点谷歌DeepMind联合Artificial Analysis发布MKA基准,评测智能体处理视觉复杂文件的知识工作能力,Gemini 4 Carbon质量排名第二、成本约为第一名六分之一。
NarrativeBench基准评测14个LLM叙事导航能力AI热点arXiv提交新基准NarrativeBench,评测14个LLM在23种语言下的多元叙事导航能力,发现现有模型普遍不足。
MemoryDojo基准评测智能体记忆投毒AI热点MemoryDojo基准通过155条多会话轨迹评测五种LLM智能体记忆系统在投毒攻击下的安全性,发现所有系统均易受影响。
ImplicitBBQ基准揭示LLM隐性偏见AI热点新基准ImplicitBBQ通过特征线索评测11个大模型的隐性偏见,发现开放权重模型隐性偏见超显性6倍,种姓维度最严重,并开源代码与数据集。
清华与Moonshot发布TCSExam基准AI热点清华与Moonshot AI等发布TCSExam基准,用100项专家评审任务测试模型定理证明与公开猜想求解能力。
Amazon审计9个AI基准发现评分错误AI热点Amazon新论文审计9个专业领域AI基准,发现参考答案与评分代码常误判正确回答,修复后模型得分显著提升。
XStack基准发布:测智能体跨生态迁移代码AI热点研究人员发布XStack基准,评测AI智能体将PyTorch仓库迁移至JAX/TPU的能力,Claude Opus 5通过率75%居首。
MCPHallu基准测MCP智能体三类幻觉AI热点新基准MCPHallu评测MCP智能体在推理、执行、记忆三轴的幻觉失败,覆盖358任务与14个前沿模型。
FinDendro基准测LLM时间自知识AI热点arXiv新论文提出FinDendro基准,用2226条带日期事实测试大模型时间自知识,发现自述会低估模型知识,回测无法靠自述证明无泄漏。
清华发布BEMULA基准测Agent遗忘能力AI热点清华大学联合新浪微博提出BEMULA基准,评测LLM Agent的记忆遗忘能力,结果显示所有被测配置端到端通过率均不超过1.5%。
OpenAI发布LifeVal日常任务基准AI热点OpenAI发布LifeVal基准,测试AI完成日常事务能力,GPT-6 Astra得分80.6%。
多校发布RoboRisk基准与LEASH护栏,大模型机械臂伤害率大降AI热点西交利物浦大学等多校联合提出机器人安全基准RoboRisk与安全护栏LEASH,评测显示六个前沿大模型伤害率在9.06%至76.92%之间,加入LEASH后四个模型真机任务零伤害。
LM-SimBench发布LLM训练模拟基准AI热点LM-SimBench提供评估LLM训练模拟器的统一框架、数据集与基准,含348个可行配置并验证GPU-NPU跨平台适用性。
OpenAI发布湿实验基准BioBasicsBenchAI热点OpenAI联合Ligo推出BioBasicsBench,含100项湿实验任务,评测AI智能体解析原始实验数据能力,GPT-6 Astra得分66.7%。
论文审计九个政策决策基准,提出BAR修订框架AI热点研究审计九个政策决策基准,发现评分器与参考答案错误,并提出BAR修订框架,修正后模型接受率显著提升。
谷歌发布T2J-Bench迁移评测基准AI热点谷歌团队发布T2J-Bench,用63个整仓任务评测PyTorch到JAX迁移,TwinHarness将得分提升11.4%。
多模态推理新基准ReGap-Bench发布AI热点arXiv论文提出ReGap-Bench,任务匹配的视觉参考可将多模态推理准确率提升至多25%
开源项目 62
AutoResearchClaw:自主研究与论文生成流水线开源项目输入一个研究想法,通过23阶段多智能体流水线产出带真实文献、实验与LaTeX论文的学术稿件,支持全自动与人工协同模式。查看
Hy-MT2:多语言翻译模型系列开源项目腾讯混元的“快思考”多语言翻译模型系列,含 1.8B、7B、30B-A3B 三种规格,支持 33 种语言互译。查看
Agent0:零数据自进化智能体研究代码库开源项目包含 Agent0 与 Agent0-VL 两项研究的代码,通过工具集成推理让智能体在无人工标注数据下自我进化。查看
reverse-skill:逆向与安全任务技能路由包开源项目为AI编码Agent提供APK、二进制、JS加密、CTF等安全任务的方法论路由与工具检查。查看
etcd:分布式可靠键值存储开源项目用 Raft 共识管理高可用复制日志的 Go 键值存储,面向分布式系统的关键数据。查看
Surya:多语言OCR与文档版面分析模型开源项目689M参数OCR模型,支持多语言文字识别、版面分析、阅读顺序与表格转HTML,附带文本行检测和OCR错误检测小模型。查看
Gigatoken:高性能文本分词器开源项目面向语言模型数据处理的快速分词器,兼容 HuggingFace Tokenizers 与 tiktoken,提供自有 API 与兼容模式两种用法。查看
chrome-capture:Chrome 标签页视频录制库开源项目chrome-capture 是 TypeScript 库与 CLI,用 Chrome 153+ 的 Page.startScreenRecording 直接把标签页录成 AV1 MP4,支持 60–120fps、最高 2160p 和标签页音频,无需 ffmpeg。查看
terraform-aws-secure-baseline:AWS安全基线模块开源项目Terraform模块,按CIS AWS Foundations v1.4.0与AWS安全最佳实践配置账号基线,含IAM、日志、网络等子模块。查看
gpu-unlock-ada:RTX 4090 与 Ada 显卡 SM 速度选择覆盖内核模块开源项目Linux 内核模块,在 NVIDIA 驱动加载前覆盖 SM 速度选择,README 报告 RTX 4090 上 FP16/BF16 张量吞吐约翻倍,属实验性项目。查看
Tailpipe:用 SQL 查询日志的本地工具开源项目本地运行的日志查询工具,从云、容器和应用源收集日志,用 SQL 即时查询分析。查看
VibeThinker:小参数量推理模型系列开源项目开源的 1.5B 与 3B 稠密推理模型仓库,基于 Qwen2.5-Coder,面向数学、竞赛编程等可验证推理任务,附技术报告与评测入口。查看
LongCat-Image:中英双语图像生成基础模型开源项目6B 参数的开源中英双语文生图与图像编辑模型,提供中间检查点与完整训练代码,支持 Diffusers 和 ComfyUI。查看
clx:Lua 5.5 提前编译器与运行时开源项目跨平台的 Lua 提前编译器与运行时,把 Lua 脚本编译成独立的原生可执行文件。查看
Litefuse:开源 LLM 应用工程平台开源项目可自托管的开源平台,用于协作开发、监控、评估和调试 LLM 应用。查看
FireRedASR:开源工业级语音识别模型开源项目支持普通话、中文方言和英文的开源ASR模型家族,含LLM与AED两种架构及命令行/Python推理代码。查看
Zeekstd:Zstandard可寻址格式的Rust实现开源项目Rust实现的Zstandard Seekable Format库与CLI,支持对压缩文件的局部解压与跳转。查看
LongCat-Flash-Chat:MoE语言模型开源项目560B总参数、按需激活约27B参数的MoE非思考型基础模型,面向agentic任务,附技术报告。查看
LongCat-Flash-Omni:全模态开源模型开源项目5600 亿参数(激活 270 亿)的开源全模态模型,支持实时音视频交互与流式语音生成。查看
CodeKatas:Java 编程练习题集开源项目一组以失败单元测试为起点的 Java 编程练习,覆盖 Lambda、Streams、Eclipse Collections、日期时间 API 等主题。查看