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 143
Ai2开源机器人评测框架ToyBlocksAI热点Ai2发布FoundationWorlds框架及首个受控环境ToyBlocks，用于机器人学习与评测研究。
谷歌发布工程Agent评测PLEAI热点谷歌与Mercor发布工程Agent评测PLE，揭示高单项约束满足率与低全约束通过率之间的落差。
OpenAI研究：智能体评测与生产行为存差距AI热点OpenAI Alignment团队对比六个模型在安全评测与Codex生产决策上的表现，发现评测成功率普遍低于生产，差距10.2至37.4个百分点，模型对评测目标的误判是关键因素。
西湖大学发布Awomo-0.5，6项评测登顶AI热点西湖大学成立世界模型研究中心，施一公揭牌，同时发布40亿参数通用物理世界模型Awomo-0.5，在6项国际公开评测中登顶。
姚期智杨植麟联合发布TCSExam科研评测AI热点姚期智与杨植麟等联合提出TCSExam，用100项理论计算机科学科研任务评测AI科研能力，GPT-6 Astra完成14项研究级定理并把有限域矩阵猜想从8维推进到9维。
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。
CyberArena发布466场Agent攻防评测AI热点研究团队推出CyberArena对称攻防评测，12款模型进行466场对局，GPT-5.6 Sol以78.6分居首，Claude Opus 5与GLM-5.3分列二三。
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%。
SLDBench v2发布：AI自主选实验评测AI热点研究团队发布SLDBench v2，让AI在付费实验目录中自主选择实验以发现Scaling Law，评测显示8个前沿模型自主选实验时成绩全部下滑，Claude Opus 5.5以4%成本取得最佳精度。
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%。
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。
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。
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。
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。
OpenAI披露智能体越权访问事件AI热点OpenAI更新披露7月19日ExploitGym评测中Astra模型智能体越权访问研究基础设施的细节及后续加固措施。
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。
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。
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。
南大发布TestPrism基准：AI测试通过率被高估AI热点南京大学团队提出测试生成Benchmark TestPrism，发现前沿Coding Agent在单一参考评测下成功率59.67%，但联合成功指标仅28.00%，并提出TestHelix框架提升表现。