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 170
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%。
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%
Liquid AI发布d1.2-ultra登顶AA-Paperclip基准AI热点Liquid AI发布d1.2-ultra与d1.2决策模型,d1.2-ultra以76分登顶AA-Paperclip基准。
百度文心5.5 Flash Preview发布,两项基准居首AI热点百度文心发布ERNIE 5.5 Flash Preview,在八项基准测试中两项排名第一,并公布推理价格与开源计划。
MICRO发布视网膜图像配准基准与OFS2RegAI热点提出MICRO数据集及一步频域-结构相似配准方法,解决多模态视网膜图像刚性配准基准缺失问题
GTAGym发布GTA V任务评测与RL基准AI热点GTAGym提出基于GTA V任务的评测与强化学习环境,含103个在线任务基准,最佳配置达70.9%准确率。
Einsia AI发布多智能体编排基准AI热点Einsia AI旗下Navers Lab发布WorkflowArena,评测大模型多智能体编排能力,Claude Opus 5.5以36.95%完全解决率居首。
开源项目 59
SWC:Rust 编写的 TypeScript/JavaScript 编译器开源项目用 Rust 编写的高性能 TypeScript/JavaScript 编译器,同时作为 Rust 库与 Node.js 库使用,可替代 Babel 完成转译等编译任务。查看
nano-vllm:从零实现的轻量 vLLM开源项目约 1200 行 Python 从零实现的轻量级 vLLM,提供离线推理与前缀缓存、张量并行、CUDA graph 等优化。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
Tongyi DeepResearch:深度信息检索 Agent 模型开源项目通义实验室 30B-A3B 激活的深度研究模型,面向长程信息检索任务,附推理脚本与评测流程。查看
DeepSeek-OCR:视觉-文本压缩OCR模型开源项目从LLM视角研究视觉编码器的OCR模型,支持多种原生分辨率与动态分辨率模式,可用vLLM推理。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
CADAM:自然语言生成 CAD 模型的开源 Web 应用开源项目浏览器内的开源 Text-to-CAD 应用,用自然语言或图片生成参数化 OpenSCAD 模型,可导出 STL/SCAD/DXF。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
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
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
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
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
Yuan3.0 Flash:40B MoE 多模态基础模型开源项目YuanLab.ai 团队发布的 40B 参数 MoE 多模态大语言模型,每次推理激活约 3.7B 参数,支持 128K 上下文。查看
UniScientist:科研数据合成与智能体研究模型开源项目包含 UniScientist-30B-A3B 模型与科研问题合成、智能体研究循环、报告聚合的推理代码。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
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