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 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。