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”。
工具 1
AI热点 71
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。
MedPhysBench评测12模型医学物理计算AI热点MedPhysBench发布，评测12个语言模型在医学物理计算与错误检测任务上的表现，Claude Sonnet 5.5在等中心MU计算中19/20漏掉平方反比修正。
字节跳动将封禁L4代码库外部AI访问AI热点字节跳动本月起将对全公司L4级代码仓库和飞书文档实施外部AI访问封禁，限制员工自费使用Claude、Codex等账号。
OpenAI解封误杀账号并道歉AI热点OpenAI向被误封的安全研究员致歉并恢复账号，同时Anthropic收紧Claude风控。
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。
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。
OpenRouter升级MCP视频生成与上下文优化AI热点OpenRouter发布多项MCP更新：视频生成改为链接返回、模型查询上下文缩减96%、Claude Code任务完成率提升至8/8，并支持聊天内测试600+模型。
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。
LLM直接写出医学分类器权重AI热点新论文探索权重空间编程：让大模型直接写出医学图像分类器参数，无需训练数据，并给出与基线模型的AUC对比结果。
论文测20家LLM中转：计费与权限存风险AI热点arXiv论文测试20家LLM API中转服务，发现行为差异、工具权限违规与计费token虚高问题。
伯克利论文：监督者重组智能体团队超越专家内核AI热点UC Berkeley论文提出Evolving Agent Teams，用supervisor在进度停滞时重组编码智能体团队，在GPU kernel优化上超越专家代码。
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%。
清华TraceMRT绕过CoT监控逃逸率达60%AI热点清华论文提出TraceMRT框架，将隐藏任务改写为主任务合理子目标攻击CoT监控，逃逸率升至59.94%，配套贝叶斯监控将检测AUC提至0.91。
斯坦福论文：信息披露对LLM交易影响不一AI热点斯坦福研究在交易、议价和拍卖场景测试10个前沿模型，发现信息披露并非总能改善结果，不同模型收益随披露粒度变化有升有降。
谷歌开源EGM插件规格先行评审AI热点谷歌开源EGM插件，让编码智能体先写规格，再由无状态子智能体分5阶段评审。
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。
微软开源AI智能体依赖管理工具APMAI热点微软推出开源工具APM，用apm.yml统一管理智能体的技能、提示词与MCP服务器依赖。
FedReason用LLM动态选联邦聚合规则AI热点arXiv论文提出FedReason，让LLM每十轮在服务器沙箱中分析客户端权重并生成聚合程序，实验显示其在标签偏斜场景下平均超越FedAvg 1.26个百分点。
Perplexity发布常驻工作智能体TeammatesAI热点Perplexity推出面向工作场景的常驻AI智能体Teammates，可在工作区承担多角色并同时执行多项任务，需订阅200美元Max套餐。
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。