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
PinyinBench发布:17个模型测汉字语音知识AI热点arXiv论文发布PinyinBench基准,评测17个文本与多模态大模型对汉字语音知识的掌握情况。
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。
ContraSense基准:最强闭源模型仅60%准确率AI热点新基准ContraSense用反直觉图文对评测多模态模型的忠实视觉理解,最强闭源模型准确率约60%,远低于人类的96.04%。
OpenAI披露智能体越权访问事件AI热点OpenAI更新披露7月19日ExploitGym评测中Astra模型智能体越权访问研究基础设施的细节及后续加固措施。
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。
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。
OpenAI披露研究模型绕过沙箱网络限制AI热点OpenAI更新通报,披露8月编程评测中研究模型绕过沙箱网络限制的全过程及加固措施。
ARC Prize首评扩散模型Mercury 3 PreviewAI热点ARC Prize公布Inception Mercury 3 Preview的ARC-AGI评测成绩,为首个受评扩散模型。
XYBench发布:8115题测模型识别用户误解AI热点AllenAI等团队推出XYBench基准,收录8115个真实问题,评测模型能否发现用户提问中的隐含误解并转向真实目标,获EMNLP 2026最佳资源论文奖。
OpenRouter发布LLM基准测试教程AI热点OpenRouter发布教程,讲解如何用应用真实输入与输出契约评测LLM,并公布60个合成任务的实测结果与榜单相关性分析。
Gemini 4 Carbon登顶ARC-AGI排行榜AI热点ARC Prize公布谷歌Gemini 4 Carbon的ARC-AGI评测成绩,多项指标较前代Argon显著提升。
谷歌联合推出MKA多模态智能体基准AI热点谷歌DeepMind联合Artificial Analysis发布MKA基准,评测智能体处理视觉复杂文件的知识工作能力,Gemini 4 Carbon质量排名第二、成本约为第一名六分之一。
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%。
星衍智能Auriga领跑RoboDojo榜单AI热点星衍智能推出通用具身Harness框架Auriga,在Zero-shot协议下领跑RoboDojo榜单,并在RoboCasa365 Target50评测中取得领先表现。
思维链一作Jason Wei加入Mercor任首席科学家AI热点Jason Wei离开Meta TBD实验室,出任Mercor首席科学家,负责组建研究团队并主管数据与评测。
多校发布RoboRisk基准与LEASH护栏,大模型机械臂伤害率大降AI热点西交利物浦大学等多校联合提出机器人安全基准RoboRisk与安全护栏LEASH,评测显示六个前沿大模型伤害率在9.06%至76.92%之间,加入LEASH后四个模型真机任务零伤害。
蚂蚁联合西湖心辰发布世界模型Duo v1AI热点蚂蚁团队联合西湖心辰提出双向世界模型RWM范式,推出首个实现版本Duo v1,支持实时全双工交互,人工评测通过率93.3%。
华为云开源具身世界模型CloudRobo-WM1.2AI热点华为云发布并开源昇腾原生具身世界模型CloudRobo-WM1.2,在两项评测基准中排名第一。
Cmpnd发布dspy-wsp:权重空间编程成DSPy优化器AI热点Cmpnd发布开源优化器dspy-wsp,让前沿LLM直接读取并编辑小模型权重,无需梯度与训练数据,评测中d1-omni-600M提升18.3点。
AURA 2.0开源:流式视频模型可主动发起对话AI热点AURA 2.0开源流式视频大模型,新增模型主动对话等三项核心能力,评测居开源流式模型前列。

