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
软件下载 2
AI热点 108
MCPHallu基准测MCP智能体三类幻觉AI热点新基准MCPHallu评测MCP智能体在推理、执行、记忆三轴的幻觉失败，覆盖358任务与14个前沿模型。
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。
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。
XStack基准发布：测智能体跨生态迁移代码AI热点研究人员发布XStack基准，评测AI智能体将PyTorch仓库迁移至JAX/TPU的能力，Claude Opus 5通过率75%居首。
ServerBench发布：智能体设计LLM服务系统AI热点arXiv论文提出ServerBench基准，评测编码智能体设计专用LLM服务系统的能力，Claude Sonnet 5.5表现领先。
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。
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。
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。
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。
清华发布BEMULA基准测Agent遗忘能力AI热点清华大学联合新浪微博提出BEMULA基准，评测LLM Agent的记忆遗忘能力，结果显示所有被测配置端到端通过率均不超过1.5%。
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%。
LoLBench实测28种Agent组合最高解决率14%AI热点复旦大学等机构提出LoLBench，在平均240万行代码的系统上评测Agent从需求到交付的能力，28种组合最高解决率仅14%。
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。
MasterControl开源Runway推理验证框架AI热点MasterControl发布内部验证工具Runway，围绕NVIDIA AIPerf构建合规决策流水线，并给出三项推理引擎评测发现。
REAL框架提升语音奖励模型偏好准确率AI热点REAL框架通过证据关联分析建模生成语音逼真度，基于MiMo-Audio的REAL-Judge在两层评测上将成对偏好准确率提升16.01和11.41个百分点，并优于SpeechJudge与UniSRM。
谱遗忘框架入选NeurIPS 2026AI热点论文提出谱遗忘框架，将矩阵结构化优化用于大模型机器遗忘，在多轴评测中超越基线并接近保留训练参考，已被NeurIPS 2026接收。
微软提出Self-HPO让编码智能体自进化AI热点微软研究者提出Self-HPO方法，让编码智能体交替优化运行框架与模型权重，在三项SWE-Bench评测上平均解决率从57.8%提升至64.8%。
Meta发布最小模型Muse EmberAI热点Meta推出迄今最小最高效的模型Muse Ember，面向智能体日常重复任务，定价与评测数据同步披露。
南大联合美团LongCat提出IntRealAI热点南京大学联合美团LongCat等机构提出IntReal，围绕数据、评测与训练三方面提升统一多模态模型的图文交错生成能力。
腾讯混元开源Hy-Nomas世界生成模型AI热点腾讯混元开源支持多轮交互与镜头控制的视频世界生成模型Hy-Nomas，并同步发布评测基准。