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%。