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 140
印度IPR法律抽取式问答基准发布AI热点arXiv发布IndicIPR-QA基准，含4462个问答对覆盖印度七大知识产权法案
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。
Anthropic发布多智能体基准MAMUBenchAI热点Anthropic发布MAMUBench基准，测试显示单一协调智能体在四类多用户环境中均优于各用户自建智能体团队。
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。
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%。
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%。
多模态推理新基准ReGap-Bench发布AI热点arXiv论文提出ReGap-Bench，任务匹配的视觉参考可将多模态推理准确率提升至多25%
百度文心5.5 Flash Preview发布，两项基准居首AI热点百度文心发布ERNIE 5.5 Flash Preview，在八项基准测试中两项排名第一，并公布推理价格与开源计划。
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。
MICRO发布视网膜图像配准基准与OFS2RegAI热点提出MICRO数据集及一步频域-结构相似配准方法，解决多模态视网膜图像刚性配准基准缺失问题
GTAGym发布GTA V任务评测与RL基准AI热点GTAGym提出基于GTA V任务的评测与强化学习环境，含103个在线任务基准，最佳配置达70.9%准确率。
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。
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。
谷歌开源多智能体冲突基准CLASHarnessAI热点谷歌等团队发布并开源CLASHarness基准，首次对15个主流大模型在多Agent冲突场景下的表现进行实测。
谷歌发布T2J-Bench迁移评测基准AI热点谷歌团队发布T2J-Bench，用63个整仓任务评测PyTorch到JAX迁移，TwinHarness将得分提升11.4%。
李曼玲团队提出具身首考EFE基准AI热点李曼玲联合李飞飞等提出具身首考EFE基准，评测coding agent控制机器人的能力，GPT-6 Astra标准设置成功率为33.6%。
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。
Visual Cipher Bench评测8个模型视觉推理AI热点新基准Visual Cipher Bench用40个视觉谜题评测8个前沿模型，最强的GPT-6 Astra准确率仅26.7%，提供机制提示后可大幅提升。
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。