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 113
Duolingo智能体合并22.5万行测试AI热点Duolingo公开用智能体编写并合并22.5万行iOS测试代码的生产级工作流。
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。
XYBench发布：8115题测模型识别用户误解AI热点AllenAI等团队推出XYBench基准，收录8115个真实问题，评测模型能否发现用户提问中的隐含误解并转向真实目标，获EMNLP 2026最佳资源论文奖。
论文评测14个模型临床引文佐证能力AI热点研究评测14个LLM在临床问答中用逐字引文佐证主张的能力，发现多数模型能附上引文但难以完全佐证。
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。
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。
Datadog发布SRE排查模型ScoutAI热点Datadog发布面向SRE故障排查的专用AI模型Scout，已在Bits中封闭预览，成本显著低于通用模型。
OpenRouter实测MCP与CLI的token成本AI热点OpenRouter实测同一GitHub任务下MCP、CLI与skill的token开销，并推出Tool Search降低MCP上下文成本。
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。
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。
思科Talos披露集成大模型的窃密木马AI热点思科Talos披露新型信息窃密木马Volta-Autodoxer，攻击者引入商业大模型自动对受害者数据画像，快速筛选高价值目标，展示LLM被用于增强传统恶意软件能力。