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 87
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。
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。
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。
OpenAI发布网安模型GPT-6 CyberAI热点OpenAI发布网络安全专用模型GPT-6 Cyber，ExploitGym基准相对提升51%，并发现Firefox 81个新漏洞。
SecureGARD实现智能体0%注入攻击成功率AI热点SecureGARD提出动态本体引导治理框架，在三个基准上实现0%间接提示注入攻击成功率并提升任务效用。
MEMENTO长上下文智能体准确率升至67.8%AI热点MEMENTO基于Qwen3-8B训练上下文压缩管理，在书籍问答基准上将准确率从36.9%提升至67.8%，成本远低于GPT-5.5与GLM-5.3方案。
英伟达UT-Austin发布Realtime-BenchAI热点英伟达与UT-Austin等机构提出Realtime-Bench实时交互基准，测试12个前沿模型，最佳模型GPT-6-Astra任务成功率仅44%。
Kimi发布K3.1 Pro，降价对标Opus 5.5AI热点Kimi发布K3.1 Pro后训练模型，编程基准逼近Claude Opus 5.5，API价格下调约三分之一。
英伟达提出Reshard加速RL权重重拟合AI热点英伟达提出Reshard Collective，通过DTensor重排替代gather-and-broadcast，在NeMo RL基准上实现2.7x至5.7x的权重重拟合提速。
RIVER多智能体检索酶反应登arXivAI热点arXiv论文提出RIVER多智能体框架，用于酶-反应双向检索，在公开基准上取得最高成功率。
La-JEPA提出紧凑机器人世界动作模型AI热点La-JEPA在V-JEPA 2.1特征空间从零训练策略Transformer，多项基准达到SOTA且参数更少，真机表现与pi0.5相当。
百度开源文心5.5 Flash Base模型AI热点百度开源文心5.5 Flash Base基座模型，2800亿参数MoE架构，多基准刷新同尺寸SOTA。
SEELE框架动态调难度提升推理训练AI热点论文提出SEELE框架，通过响应式rollout难度操纵优化RLVR训练，在六个数学推理基准上较GRPO提升10.0分。
Guardian用VLM检测机器人操作失败AI热点论文提出Guardian视觉语言模型与GuardianFail-36k数据集，用于机器人操作失败检测，在多个真实基准上取得领先表现。
VIOS框架提升视频推理后训练效率AI热点NeurIPS 2026论文提出VIOS后训练框架，通过自审计视觉依赖在12项基准上以更少算力提升视频推理表现。
ARC Prize公布Fable 5.2评测成绩AI热点ARC Prize公布Claude Fable 5.2在ARC-AGI-2取得93.8%，为第三高模型成绩，并披露各基准得分与评测成本。
英伟达CoRL发布GR00T 2模型AI热点英伟达在CoRL发布开源世界动作模型GR00T 2及Isaac Lab 3.0，公布多项任务成功率与基准排名。
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。