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
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%
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。
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。
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。
阿里等发布Co-Design Bench编码基准AI热点阿里与亚洲高校研究者发布Co-Design Bench,基于真实用户修改请求测试编码智能体,最佳模型GPT-6 Astra仅26.4%任务完全正确。
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。
Metaⁿ预印本:递归自我改进智能体登八类基准AI热点明尼苏达大学与首尔大学团队提出Metaⁿ,通过固定元算子递归改进求解流程,在八类基准上超越既有自我改进智能体。
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。
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%。
Tom's Hardware发布首个智能体AI CPU基准AI热点Tom's Hardware公布首个针对智能体AI工作负载的CPU基准测试方法,用于评估智能体循环中的CPU与内存性能。
SlopCodeBench评测编码智能体长时任务衰退AI热点新基准SlopCodeBench评测15个编码智能体在长时迭代任务中的代码质量衰退,最佳智能体仅通过14.8%检查点。
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。
DashBench评测25个视频LLM驾驶极端情况AI热点新基准DashBench评测25个视频LLM在1709条驾驶视频上的极端情况理解,发现所有模型均低于安全关键应用所需阈值。
MaxxBench改写DeepSWE任务测模型适应力AI热点MaxxBench通过修改89个DeepSWE任务指令,发现模型在需求变更时分数大幅分化,揭示基准过拟合问题。
VideoMemBench发布:MLLM视频记忆仅45.7%AI热点新基准VideoMemBench评测多模态大模型在长视频多轮对话中的记忆能力,Claude Opus 5以45.7%居首,凸显上下文视频记忆挑战。
VEX-Bench评测LLM虚假信息验证复杂度AI热点VEX-Bench基准评测LLM生成虚假信息的验证复杂度,覆盖7个前沿模型与7种生成方法共5880篇文章。
ParseBench-2三天月下载3万,居HF趋势榜第三AI热点LlamaIndex文档解析基准ParseBench-2上线三天月下载量达3万,位列HuggingFace趋势基准榜第三。
开源项目 62
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
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
GoMem:Go 高性能内存分配库开源项目从 Monibuca 项目中抽出的 Go 内存分配器库,提供多种分配策略、可回收内存与零拷贝多缓冲读取。查看
LeRobot:真实世界机器人的PyTorch模型与工具开源项目提供硬件无关的机器人控制接口、标准化数据集格式与多种SOTA策略,覆盖模仿学习、强化学习、VLA与世界模型。查看
MNN:端侧深度学习推理与训练框架开源项目轻量高效的深度学习框架,支持模型在移动端与嵌入式设备上的推理和训练,并提供基于它的 LLM 与 Stable Diffusion 本地运行方案。查看
DeepEval:LLM 应用评估框架开源项目类似 Pytest 的 LLM 评估框架,用本地运行的 LLM-as-a-judge 等指标测试 Agent、RAG 与多轮对话系统。查看
OpenHuman:大规模Agent运行框架开源项目Rust实现的开源Agent框架,以低资源占用运行大规模Agent集群,提供桌面应用与Rust库两种形态。查看
ponytail:AI编程代理的精简编码技能开源项目让AI代理按“只写任务所需代码”的原则编写精简但不牺牲安全与测试的代码。查看
leanrea:逆向工程用的单文件Agent技能开源项目一个8KB的SKILL.md技能,指导Agent直接调用现成逆向工具,替代带MCP层的REA。查看
CF-Workers-TGProxy:Telegram WebSocket 代理中继开源项目单文件 Cloudflare Workers 实现的 Telegram Web/MTProto WebSocket 代理中继,转接官方 KWS 通道,无需自建 MTProxy 后端。查看
Memvid:单文件AI记忆层开源项目把数据、嵌入、检索结构与元数据打包进单个文件的可移植记忆系统,为AI Agent提供持久化长期记忆。查看
HunyuanWorld-Mirror:前馈式 3D 几何预测模型开源项目一次前向传播即可从图像与几何先验生成点云、深度、法线、相机参数和 3D 高斯等多种 3D 表示。查看
satmux:GEO 机上 Wi-Fi 的 TCP 复用与 TLS 中继开源项目纯 Python 标准库实现的 TCP 复用器和 1-RTT HTTP/TLS 中继,用于改善地球同步卫星机上 Wi-Fi 的连接质量。查看
RF-DETR:实时目标检测、实例分割与关键点检测模型库开源项目Roboflow 的实时 Transformer 检测架构,基于 DINOv2 骨干,统一 API 支持检测、分割与关键点任务。查看
gitai:面向AI编程代理的版本控制系统开源项目参照Anthropic内部Scion公开设计的开源实现,把历史查询、落地与冲突解决放到服务端,底层仍是普通Git仓库。查看
YD:Go 全栈 Web 框架与脚手架开源项目Go 单体后端加 Htmx 片段前端的全栈框架,模板与静态资源嵌入单一二进制交付。查看
Index-AniSora:开源动画视频生成模型开源项目B站开源的动画视频生成模型仓库,提供多版本模型权重与推理代码,支持多种动画风格的视频镜头生成。查看
Oxc:Rust编写的JS/TS高性能工具集开源项目Rust实现的JavaScript与TypeScript工具集合,含解析、转换、压缩、模块解析及oxlint、oxfmt。查看
nub:Node.js 一体化命令行工具包开源项目用 Rust 编写的 Node.js 工具包,在原生 node 之上提供文件运行、脚本执行、依赖安装与 Node 版本管理,兼容 Bun 风格开发体验。查看
Brush:基于高斯泼溅的3D重建引擎开源项目用高斯泼溅做3D重建的引擎,可在桌面、Android和浏览器中训练与查看场景。查看