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 189
两篇论文揭示LLM防护评测证据缺口AI热点新研究分析85项LLM防护评测,发现多数缺少关键证据,且实测显示NeMo Guardrails拦截密码泄露时客户端仍能收到密码。
Anthropic公开安全评测方法:跨配置差34点AI热点Anthropic公开AI安全评测方法论,指出同一模型在API与加系统提示配置下安全分数最多相差34个百分点。
MOSS-Live全双工评测:六项指标居首AI热点OpenMOSS发布MOSS-Live全双工评测解读,六项指标居参评模型首位。
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。
Visual Cipher Bench评测8个模型视觉推理AI热点新基准Visual Cipher Bench用40个视觉谜题评测8个前沿模型,最强的GPT-6 Astra准确率仅26.7%,提供机制提示后可大幅提升。
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。
Ai2开源机器人评测框架ToyBlocksAI热点Ai2发布FoundationWorlds框架及首个受控环境ToyBlocks,用于机器人学习与评测研究。
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。
OpenAI研究:智能体评测与生产行为存差距AI热点OpenAI Alignment团队对比六个模型在安全评测与Codex生产决策上的表现,发现评测成功率普遍低于生产,差距10.2至37.4个百分点,模型对评测目标的误判是关键因素。
Databricks发布AI Index公开企业AI评测AI热点Databricks推出AI Index,公开企业AI使用与编码智能体评测数据,每周更新。
西湖大学发布Awomo-0.5,6项评测登顶AI热点西湖大学成立世界模型研究中心,施一公揭牌,同时发布40亿参数通用物理世界模型Awomo-0.5,在6项国际公开评测中登顶。
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。
ARC Prize公布Fable 5.2评测成绩AI热点ARC Prize公布Claude Fable 5.2在ARC-AGI-2取得93.8%,为第三高模型成绩,并披露各基准得分与评测成本。
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。
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%。
SLDBench v2发布:AI自主选实验评测AI热点研究团队发布SLDBench v2,让AI在付费实验目录中自主选择实验以发现Scaling Law,评测显示8个前沿模型自主选实验时成绩全部下滑,Claude Opus 5.5以4%成本取得最佳精度。
新论文指面部隐私方法90%保护率评测有缺陷AI热点arXiv论文指出已发布面部隐私方法的90%以上保护率源于有缺陷的评测协议,重新评估后标准迁移攻击规避保护率损失56%。
GDP_xlsx基准发布:Gemini 4 Argon通过率38.3%AI热点新基准GDP_xlsx用70个真实职场Excel任务评测20个模型配置,Gemini 4 Argon以38.3%通过率居首,中位数仅19.3%。
CMU新基准:Opus 5.5智能体得分1.25登顶AI热点CMU论文Singularity-Bench评测11个智能体,Opus 5.5+Claude Code以1.25分领先,其推理引擎每GPU小时收益超SGLang。
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%。

