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”。
文章 1
工具 2
AI热点 172
谷歌发布工程Agent评测PLEAI热点谷歌与Mercor发布工程Agent评测PLE,揭示高单项约束满足率与低全约束通过率之间的落差。
LoLBench实测28种Agent组合最高解决率14%AI热点复旦大学等机构提出LoLBench,在平均240万行代码的系统上评测Agent从需求到交付的能力,28种组合最高解决率仅14%。
NovaSilicon两篇论文:自研Agent超GPT-6AI热点NovaSilicon发布两篇论文,其基于CDK的自研Agent在模拟版图与floorplan评测中均分超过GPT-6 Astra。
CyberArena发布466场Agent攻防评测AI热点研究团队推出CyberArena对称攻防评测,12款模型进行466场对局,GPT-5.6 Sol以78.6分居首,Claude Opus 5与GLM-5.3分列二三。
Deepnote评测12模型:OpenAI包揽前二AI热点Deepnote发布Agent Initiative Benchmark,12个模型在Slack虚拟公司场景中比拼判断力与性价比,OpenAI GPT-6 Astra与Sol包揽前二。
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%。
李曼玲团队提出具身首考EFE基准AI热点李曼玲联合李飞飞等提出具身首考EFE基准,评测coding agent控制机器人的能力,GPT-6 Astra标准设置成功率为33.6%。
RoboDojo评测:Astra方案提升具身模型分数AI热点RoboDojo评测显示,具身团队引入GPT-6 Astra与RUA方案后,模型评测分数从20-30分提升至50-60分,引发行业对自研路线的重新审视。
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。
LMArena提出智能体交互评测新范式AI热点LMArena介绍Interaction-as-a-Judge评测范式,研究智能体直接操作游戏与应用的交互能力。
姚期智杨植麟联合发布TCSExam科研评测AI热点姚期智与杨植麟等联合提出TCSExam,用100项理论计算机科学科研任务评测AI科研能力,GPT-6 Astra完成14项研究级定理并把有限域矩阵猜想从8维推进到9维。
腾讯微信视觉开源长视频剪辑AgentAI热点腾讯微信视觉开源长视频自动剪辑Agent WeVisCut,输入旁白脚本即可自动输出数分钟成片。
HumanLayer创始人质疑无人值守软件工厂AI热点HumanLayer联合创始人德克斯·霍西在演讲中质疑“无人值守”软件工厂,并公布SlopCodeBench分阶段评测结果:受测Agent最高严格通过率仅16.3%。
谷歌开源多智能体冲突基准CLASHarnessAI热点谷歌等团队发布并开源CLASHarness基准,首次对15个主流大模型在多Agent冲突场景下的表现进行实测。
清华腾讯提出TreeOPSD,深度研究准确率提升4.97点AI热点清华季向阳团队与腾讯提出TreeOPSD,改进长程Agent强化学习的信用分配,在Qwen3-30B-A3B上将Deep Research平均EM从16.23%提升至21.20%。
微软提出Self-HPO让编码智能体自进化AI热点微软研究者提出Self-HPO方法,让编码智能体交替优化运行框架与模型权重,在三项SWE-Bench评测上平均解决率从57.8%提升至64.8%。
Gemini 4 Hydrogen High成Agent Arena前十最快模型AI热点Agent Arena榜单显示,谷歌Gemini 4 Hydrogen (High)成为前十模型中速度最快的一款,典型步长7.3秒。
混元Hy4登Agent Arena总榜第14AI热点Agent Arena宣布腾讯混元Hy4总榜排名第14,净提升4.7%,进入Pareto前沿。
Qwen4-Max登顶Agent Arena中国模型第一AI热点Qwen4-Max在Agent Arena以+7.5%净提升升至总榜第14,为中国模型第一,阿里巴巴升至全球第五实验室。
Artificial Analysis编程智能体指数升至v2.1AI热点Artificial Analysis发布Coding Agent Index v2.1,升级FrontierCode与Terminal-Bench基准,Claude Fable 5.2与Claude Opus 5.5并列58分领跑。
开源项目 40
Open R1:DeepSeek-R1 的完全开放复现开源项目已停止维护的开源项目,提供复现 DeepSeek-R1 流水线的训练、数据生成与评测脚本及数据集。查看
Wall-X:WALL 系列具身模型训练与推理代码开源项目WALL 系列开源具身基础模型的训练与推理代码库,含数据准备、服务与评测工具。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
openai/math:模型产出的数学手稿与 Lean 形式化开源项目OpenAI 内部模型在开放研究问题上产出的数学手稿、证明材料与部分 Lean 形式化库。查看
Unlimited-OCR:超长文档解析OCR模型开源项目百度的OCR模型项目,用SR-SWA把超长序列的图文注意力压缩为固定大小工作参考,实现有限上下文内的无界文档解析。查看
MOSS-TTS-Nano:0.1B 参数多语言轻量语音合成模型开源项目开源多语言 tiny TTS 模型,0.1B 参数,支持 CPU 流式推理、声音克隆、ONNX 部署与微调。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
PageIndex:基于推理的无向量RAG引擎开源项目用层级树索引加LLM推理替代向量检索,不需向量数据库和分块,面向长篇专业文档问答。查看
DFlash:块扩散投机解码草稿模型开源项目面向投机解码的轻量块扩散模型,支持多款开源基座的并行草稿生成与多种推理后端。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
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
HY-WorldPlay:实时交互式世界模型开源项目HY-World 1.5(WorldPlay)是实时交互式世界模型,以流式视频扩散生成24 FPS长时序一致的可操控视频,并开源训练与推理代码。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
dInfer:扩散语言模型推理框架开源项目面向 dLLM 的高效可扩展推理框架,将推理拆分为模型、扩散迭代管理器、解码器与 KV 缓存管理器四个组件,支持批量推理。查看
LMT:中英为中心的多语机器翻译模型开源项目覆盖60种语言、234个翻译方向的LLM多语翻译模型系列,含0.6B至8B四种规格及配套SFT数据。查看
HY-SOAR:扩散模型的免奖励自纠错后训练方法开源项目面向 rectified-flow 扩散模型的免奖励后训练方法,在出错的时间步上直接纠正去噪轨迹。查看
Pixel LLMs:像素级视觉定位的多模态模型系列开源项目以Sa2VA为核心的多模态LLM研究项目集合,将SAM-2与MLLM结合,实现图像和视频的密集定位理解。查看
NVIDIA Cosmos:面向物理 AI 的世界基础模型开源项目Cosmos 3 全模态世界模型家族,含 Reasoner 与 Generator 两条分支,用于世界理解、视频生成、仿真与合成数据。查看
Qwen3-Omni:多模态全模态基础模型开源项目Qwen3-Omni 是端到端多语言全模态基础模型,处理文本、图像、音频、视频并流式输出文本与语音。查看
HY-Motion 1.0:文本生成 3D 人体动作的模型系列开源项目基于 DiT 与 Flow Matching 的文本到 3D 人体动作生成模型,输出可接入 3D 动画管线的骨骼动画。查看

