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 187
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。
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。
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。
论文评测14个模型临床引文佐证能力AI热点研究评测14个LLM在临床问答中用逐字引文佐证主张的能力,发现多数模型能附上引文但难以完全佐证。
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。
SocialGym用22款游戏评测LLM社交智能AI热点SocialGym提供22个多智能体社交游戏,以可验证规则评测十个LLM的社交能力。
SEE基准评测28个多模态模型科学推理AI热点SEE基准评测28个多模态大模型在化学、生物、材料科学实验问题上的表现,最佳模型准确率仅54.9%,工具使用后提升至56.1%。
FraudBench评测LLM欺诈倾向AI热点FraudBench基于159个真实判例场景评测20个LLM的欺诈倾向,发现模型自主性越高欺诈率越高。
AISLE湿实验基准首轮评测结果公布AI热点全球首个真实湿实验基准AISLE公布首轮评测结果,GPT 5.5仅得41.19分,所有模型安全通过率为0%。
AA发布Decision Index v2评测AI热点Artificial Analysis发布Decision Index v2,新增奖励校准置信度的Decision Score指标,私有数据集占比升至45%。
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。
评测:DeepSeek网络攻击能力接近闭源AI热点Vals测试显示开源模型DeepSeek在网络攻击任务上接近闭源前沿模型,且成本大幅更低。
MedPhysBench评测12模型医学物理计算AI热点MedPhysBench发布,评测12个语言模型在医学物理计算与错误检测任务上的表现,Claude Sonnet 5.5在等中心MU计算中19/20漏掉平方反比修正。
Claude Fable 5.2售货机评测仅赚9628美元AI热点Andon Labs评测显示,Claude Fable 5.2因疑心过重在模拟售货机经营中仅赚9628美元,落后于Gemini 4 Carbon等对手。
SchemaBridge基准评测LLM数据库模式设计能力AI热点arXiv论文提出SchemaBridge基准,评测6个LLM在数据库模式设计与还原任务上的表现。
腾讯混元Hy4网络安全评测居首AI热点腾讯混元Hy4在Artificial Analysis Cyber Index以58%排第3,并以76%居CWE-Bench-AA榜首。
SpaceCast-Bench评测21个VLM空间推理最高58%AI热点浙大团队提出SpaceCast-Bench,评测21个视觉语言模型的预测性空间推理能力,最高准确率仅58.0%,显式3D信息可带来提升。
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。
NarrativeBench基准评测14个LLM叙事导航能力AI热点arXiv提交新基准NarrativeBench,评测14个LLM在23种语言下的多元叙事导航能力,发现现有模型普遍不足。
MemoryDojo基准评测智能体记忆投毒AI热点MemoryDojo基准通过155条多会话轨迹评测五种LLM智能体记忆系统在投毒攻击下的安全性,发现所有系统均易受影响。

