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 178
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。
Metaⁿ预印本:递归自我改进智能体登八类基准AI热点明尼苏达大学与首尔大学团队提出Metaⁿ,通过固定元算子递归改进求解流程,在八类基准上超越既有自我改进智能体。
Liquid AI发布d1.2-ultra登顶AA-Paperclip基准AI热点Liquid AI发布d1.2-ultra与d1.2决策模型,d1.2-ultra以76分登顶AA-Paperclip基准。
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。
SlopCodeBench评测编码智能体长时任务衰退AI热点新基准SlopCodeBench评测15个编码智能体在长时迭代任务中的代码质量衰退,最佳智能体仅通过14.8%检查点。
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。
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。
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。
VEX-Bench评测LLM虚假信息验证复杂度AI热点VEX-Bench基准评测LLM生成虚假信息的验证复杂度,覆盖7个前沿模型与7种生成方法共5880篇文章。
ParseBench-2三天月下载3万,居HF趋势榜第三AI热点LlamaIndex文档解析基准ParseBench-2上线三天月下载量达3万,位列HuggingFace趋势基准榜第三。
开源项目 62
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
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
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
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
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
SWC:Rust 编写的 TypeScript/JavaScript 编译器开源项目用 Rust 编写的高性能 TypeScript/JavaScript 编译器,同时作为 Rust 库与 Node.js 库使用,可替代 Babel 完成转译等编译任务。查看
nano-vllm:从零实现的轻量 vLLM开源项目约 1200 行 Python 从零实现的轻量级 vLLM,提供离线推理与前缀缓存、张量并行、CUDA graph 等优化。查看
CADAM:自然语言生成 CAD 模型的开源 Web 应用开源项目浏览器内的开源 Text-to-CAD 应用,用自然语言或图片生成参数化 OpenSCAD 模型,可导出 STL/SCAD/DXF。查看
DeepSeek-OCR:视觉-文本压缩OCR模型开源项目从LLM视角研究视觉编码器的OCR模型,支持多种原生分辨率与动态分辨率模式,可用vLLM推理。查看
Kimi K3:开源多模态 Agent 模型开源项目MoonshotAI 开源的 2.8T 参数原生多模态 Agent 模型,支持 100 万 token 上下文与文本图像输入。查看
oMLX:Mac本地LLM推理与菜单栏管理工具开源项目面向Apple Silicon的本地LLM推理服务,提供连续批处理、分层KV缓存与菜单栏管理。查看
Tongyi DeepResearch:深度信息检索 Agent 模型开源项目通义实验室 30B-A3B 激活的深度研究模型,面向长程信息检索任务,附推理脚本与评测流程。查看
Unlimited-OCR:超长文档解析OCR模型开源项目百度的OCR模型项目,用SR-SWA把超长序列的图文注意力压缩为固定大小工作参考,实现有限上下文内的无界文档解析。查看
answer-me-with-html:把问题答案渲染成网页的 Agent 技能开源项目Agent 技能:模型只写 Markdown 草稿,配套 CLI 将其渲染为含图表的 HTML 页面,减少输出 token。查看
Gemini CLI:企业版 Code Assist 终端代理开源项目面向 Gemini Code Assist Standard/Enterprise 与 GitHub Code Assist 的开源终端编码代理,支持交互与非交互脚本模式。查看
ripgrep:递归正则文本搜索命令行工具开源项目面向行的递归正则搜索工具,默认遵守 gitignore 并跳过隐藏与二进制文件,支持 Windows、macOS、Linux。查看