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
CMU新基准:9个AI智能体全未过审AI热点CMU联合美国能源部国家实验室推出Into the Unknown基准,9个AI智能体的135份开放课题研究提交无一同时满足诚实、完整与专家标准,114份未过诚信检查。
AI同行评审基准:前沿LLM检测率差50点AI热点论文提出审计AI同行评审员的基准,向真实论文注入357个错误并评估12个评审系统,发现模型选择对检测率影响最大。
清华与Moonshot发布TCSExam基准AI热点清华与Moonshot AI等发布TCSExam基准,用100项专家评审任务测试模型定理证明与公开猜想求解能力。
论文审计九个政策决策基准,提出BAR修订框架AI热点研究审计九个政策决策基准,发现评分器与参考答案错误,并提出BAR修订框架,修正后模型接受率显著提升。
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。
斯坦福:8款LLM评审医疗答案偏袒自身AI热点斯坦福论文发现8款主流LLM在匿名评审医疗答案时均偏袒自己的回答,平均高出1.22个名次。
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。
Fable 5.2登顶Remote Labor IndexAI热点Anthropic Fable 5.2 在 Remote Labor Index 基准上以 41.3% 排名第一,远超其他模型。
论文:LLM智能体内群体信任偏差难被审计AI热点arXiv论文显示五个开源推理模型在多智能体模拟中出现内群体信任偏差,且现有行为日志审计难以检测。
GPT-6.2 Sol灰度上线,智能指数60分AI热点GPT-6.2 Sol悄然灰度上线,Artificial Analysis智能指数获60分空降榜首,单任务成本仅$1.19,被视为Opus 5.5的强劲对手。
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。
论文测20家LLM中转:计费与权限存风险AI热点arXiv论文测试20家LLM API中转服务,发现行为差异、工具权限违规与计费token虚高问题。
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%。
DeepSeek V4.1刷新ARC-AGI开源成绩AI热点ARC Prize公布DeepSeek V4.1 Flash 1017在ARC-AGI-2取得78.1%、ARC-AGI-1达94.5%,刷新开源模型纪录。
EnvOS框架可审计任务中途变化的智能体AI热点arXiv论文提出EnvOS框架,可构建并认证任务中途变化的智能体测试环境
Limite 1B数学推理模型开源,AIME达94.01%AI热点Limite 1B - Violetto技术报告发布,10亿参数模型在AIME 2026取得94.01%,以Apache 2.0开源模型与推理代码。
Abelio AI科研提案胜过四个前沿大模型AI热点AI系统Abelio通过结构化构思生成科研提案,在定量评估中优于四个前沿大模型,其提出的上皮屏障修复方案经实验验证有效。
OpenAI更新Astra for Law并开放企业申请AI热点OpenAI发布更新版Astra for Law法律模型配置,在Harvey LAB-AA基准排名第一,并向所有ChatGPT Enterprise客户开放申请访问。
微软发布网络安全模型MAI Cyber 2 FlashAI热点微软AI部门发布面向企业安全团队的专用模型MAI Cyber 2 Flash,主打高性价比网络安全AI。
开源Karpo Decision登顶决策模型榜首AI热点MachinePulse开源Karpo Decision全系模型,31B旗舰在Decision Index总榜以73.9分夺冠,超越谷歌闭源Gemini Decision 1。
开源项目 43
Tongyi DeepResearch:深度信息检索 Agent 模型开源项目通义实验室 30B-A3B 激活的深度研究模型,面向长程信息检索任务,附推理脚本与评测流程。查看
VitaBench:LLM智能体交互任务评测基准开源项目评测LLM智能体在真实生活服务场景中多轮交互与工具调用能力的基准,含代码库、数据集与评测流程。查看
headroom:压缩 AI Agent 输入输出 token 的工具开源项目在本地压缩发送给 LLM 的工具输出、日志、RAG 片段与对话历史,以库、代理或命令行包装方式减少 token 消耗。查看
SkillEvaluator:Agent技能质量与效果评估框架开源项目分三层检查AI Agent技能:静态质量与安全校验、语义重复检测,以及在沙箱中对比有无技能时的Agent实际表现。查看
Paperclip:AI Agent团队编排应用开源项目Node.js 服务与 React 界面,用于组建、治理并监控多Agent团队的目标与预算。查看
Dexter:自主金融研究 Agent开源项目自主金融研究 Agent,将复杂问题拆解为研究计划,用实时市场数据执行并自我校验。查看
Opik:开源LLM可观测与评估平台开源项目Apache-2.0 开源的 LLM 可观测性与评估平台,覆盖 agent 追踪、评测、提示词管理与生产监控。查看
DeepSWE:编码智能体长任务评测基准开源项目包含 113 个任务的基准,用于评测前沿编码智能体在开源仓库上的长程软件工程能力。查看
Kimi K3:开源多模态 Agent 模型开源项目MoonshotAI 开源的 2.8T 参数原生多模态 Agent 模型,支持 100 万 token 上下文与文本图像输入。查看
Step-3.5-Flash:稀疏 MoE 开源基础模型开源项目196B 参数、每 token 激活 11B 的 MoE 基础模型,面向推理、编码与 Agent 任务。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
OpenViking:AI智能体的上下文数据库开源项目把知识、记忆与技能组织成 viking:// 虚拟文件系统,供智能体用 ls、read、grep 等方式浏览和检索上下文。查看
V-JEPA 2:自监督视频理解与预测模型开源项目Meta FAIR 的自监督视频模型官方 PyTorch 代码库,涵盖 V-JEPA 2、V-JEPA 2-AC 与 V-JEPA 2.1。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
HunyuanOCR-1.5:轻量端到端 OCR 视觉语言模型开源项目统一文档解析、文本检测识别、信息抽取与图文翻译的轻量 OCR VLM,含训练与推理栈。查看
promptfoo:LLM评测与红队测试工具开源项目用于评估和红队测试LLM应用的CLI与库,支持自动化评测、模型对比、CI/CD集成与漏洞扫描。查看
simple-evals:语言模型评测参考实现开源项目OpenAI 开源的轻量语言模型评测库,2025 年 7 月起不再更新,保留 HealthBench、BrowseComp、SimpleQA 参考实现。查看
MiMo-Embodied:具身智能与自动驾驶评测套件开源项目MiMo-Embodied 模型的官方评测仓库,基于 lmms-eval 扩展,覆盖具身 AI 与自动驾驶基准,仅用于评测。查看
KADTK:Kernel Audio Distance 音频评测工具包开源项目实现 Kernel Audio Distance 指标的 Python 工具包与 CLI,用参考集与生成集的嵌入计算生成音频质量分数。查看
LingBot-VA:机器人控制的因果世界模型开源项目自回归视频-动作世界模型,统一视觉动态预测与动作推理,提供推理、评测与后训练代码及权重。查看

