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 187
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。
FinDendro基准测LLM时间自知识AI热点arXiv新论文提出FinDendro基准,用2226条带日期事实测试大模型时间自知识,发现自述会低估模型知识,回测无法靠自述证明无泄漏。
CMU新基准:Opus 5.5超人类AI基建基线AI热点CMU发布Singularity-Bench,Opus 5.5配合Claude Code在六项AI基建任务上奇点指数达1.25,超过人类基线1.0。
CMU新基准:Opus 5.5智能体得分1.25登顶AI热点CMU论文Singularity-Bench评测11个智能体,Opus 5.5+Claude Code以1.25分领先,其推理引擎每GPU小时收益超SGLang。
Voice Arena发布听写应用基准AI热点Voice Arena推出首个开放AI听写应用基准Dictation Bench,实测10款真实应用,Wispr Flow得分79%,Apple为35%。
AncBench古籍复原基准与路由网络发布AI热点提出AncBench基准与视觉先验路由网络,解决古籍图像复原中真实退化模拟难题。
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%。
CMU新基准:9个AI智能体全未过审AI热点CMU联合美国能源部国家实验室推出Into the Unknown基准,9个AI智能体的135份开放课题研究提交无一同时满足诚实、完整与专家标准,114份未过诚信检查。
论文审计九个政策决策基准,提出BAR修订框架AI热点研究审计九个政策决策基准,发现评分器与参考答案错误,并提出BAR修订框架,修正后模型接受率显著提升。
Voice Arena发布双人通话语音识别基准AI热点Voice Arena推出针对真实双人电话通话场景的语音识别基准,首个数据集已上线。
普林斯顿发布SSoN空间智能基准AI热点普林斯顿AI Lab推出SSoN基准,人类准确率83.3%,主流视觉语言模型最高仅39.7%,多数低于随机基线。
SemiAnalysis发布智能体基准GDPxAI热点SemiAnalysis联合14家RL环境伙伴推出通用智能体基准GDPx,覆盖11个高价值领域,最佳模型仅得12%。
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
多校发布RoboRisk基准与LEASH护栏,大模型机械臂伤害率大降AI热点西交利物浦大学等多校联合提出机器人安全基准RoboRisk与安全护栏LEASH,评测显示六个前沿大模型伤害率在9.06%至76.92%之间,加入LEASH后四个模型真机任务零伤害。
SPU湿实验预测基准发布,Opus 5.5仅0.486分AI热点UniPat AI牵头发布湿实验预测基准SPU,覆盖116个任务、4207个湿实验,首轮评测12款前沿模型,最高分Claude Opus 5.5仅0.486,且提高推理强度与算力未带来明显提升。
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%。
开源项目 64
Cangjie Skill:书籍与视频方法论提炼技能开源项目把书籍、长视频、播客中的方法论提炼为可调用、可组合的AI Skill包。查看
DeepSWE:编码智能体长任务评测基准开源项目包含 113 个任务的基准,用于评测前沿编码智能体在开源仓库上的长程软件工程能力。查看
bombardier:HTTP(S) 基准测试工具开源项目用 Go 编写的 HTTP(S) 压测命令行工具,默认基于 fasthttp,也可切换 net/http 以支持 HTTP/2.x。查看
VitaBench:LLM智能体交互任务评测基准开源项目评测LLM智能体在真实生活服务场景中多轮交互与工具调用能力的基准,含代码库、数据集与评测流程。查看
powerpipe:DevOps 仪表盘与合规基准工具开源项目用代码定义的 DevOps 仪表盘工具,可可视化各类数据源并运行 CIS、NIST 等 5000+ 开源合规基准。查看
MiMo-Embodied:具身智能与自动驾驶评测套件开源项目MiMo-Embodied 模型的官方评测仓库,基于 lmms-eval 扩展,覆盖具身 AI 与自动驾驶基准,仅用于评测。查看
Spirit-v1.5:机器人视觉-语言-动作模型开源项目Spirit AI 的 VLA 机器人基础模型官方实现,含推理与微调代码、模型权重及 RoboChallenge 基准运行脚本。查看
inference-optimisation:本地LLM服务提速的Agent技能开源项目面向本地LLM服务的Agent技能,指导在任意硬件与量化配置下逐项爬坡优化解码、预填充、KV缓存、启动与首token延迟,并配套基准测试脚本。查看
whichllm:本地大模型选型与运行命令推荐工具开源项目读取本机GPU、内存与带宽,估算哪些开源模型能跑、速度多快,并按基准排名给出可直接运行的命令。查看
AgiBot World:机器人学习数据集与 GO-1 模型开源项目大规模双臂操作机器人学习平台,含百万级轨迹数据集与 GO-1 基础模型。查看
Zeekstd:Zstandard可寻址格式的Rust实现开源项目Rust实现的Zstandard Seekable Format库与CLI,支持对压缩文件的局部解压与跳转。查看
FireRedASR:开源工业级语音识别模型开源项目支持普通话、中文方言和英文的开源ASR模型家族,含LLM与AED两种架构及命令行/Python推理代码。查看
LongCat-Flash-Chat:MoE语言模型开源项目560B总参数、按需激活约27B参数的MoE非思考型基础模型,面向agentic任务,附技术报告。查看
Yuan3.0 Flash:40B MoE 多模态基础模型开源项目YuanLab.ai 团队发布的 40B 参数 MoE 多模态大语言模型,每次推理激活约 3.7B 参数,支持 128K 上下文。查看
clx:Lua 5.5 提前编译器与运行时开源项目跨平台的 Lua 提前编译器与运行时,把 Lua 脚本编译成独立的原生可执行文件。查看
Litefuse:开源 LLM 应用工程平台开源项目可自托管的开源平台,用于协作开发、监控、评估和调试 LLM 应用。查看
LongCat-Flash-Omni:全模态开源模型开源项目5600 亿参数(激活 270 亿)的开源全模态模型,支持实时音视频交互与流式语音生成。查看
UniScientist:科研数据合成与智能体研究模型开源项目包含 UniScientist-30B-A3B 模型与科研问题合成、智能体研究循环、报告聚合的推理代码。查看
CodeKatas:Java 编程练习题集开源项目一组以失败单元测试为起点的 Java 编程练习,覆盖 Lambda、Streams、Eclipse Collections、日期时间 API 等主题。查看
GoMem:Go 高性能内存分配库开源项目从 Monibuca 项目中抽出的 Go 内存分配器库,提供多种分配策略、可回收内存与零拷贝多缓冲读取。查看