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 143
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。
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。
清华与Moonshot发布TCSExam基准AI热点清华与Moonshot AI等发布TCSExam基准，用100项专家评审任务测试模型定理证明与公开猜想求解能力。
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。
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。
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。
Fable 5.2登顶Remote Labor IndexAI热点Anthropic Fable 5.2 在 Remote Labor Index 基准上以 41.3% 排名第一，远超其他模型。
论文：LLM智能体内群体信任偏差难被审计AI热点arXiv论文显示五个开源推理模型在多智能体模拟中出现内群体信任偏差，且现有行为日志审计难以检测。
GPT-6.2 Sol灰度上线，智能指数60分AI热点GPT-6.2 Sol悄然灰度上线，Artificial Analysis智能指数获60分空降榜首，单任务成本仅$1.19，被视为Opus 5.5的强劲对手。
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。
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。
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%。
DeepSeek V4.1刷新ARC-AGI开源成绩AI热点ARC Prize公布DeepSeek V4.1 Flash 1017在ARC-AGI-2取得78.1%、ARC-AGI-1达94.5%，刷新开源模型纪录。
EnvOS框架可审计任务中途变化的智能体AI热点arXiv论文提出EnvOS框架，可构建并认证任务中途变化的智能体测试环境
Artificial Analysis编程智能体指数升至v2.1AI热点Artificial Analysis发布Coding Agent Index v2.1，升级FrontierCode与Terminal-Bench基准，Claude Fable 5.2与Claude Opus 5.5并列58分领跑。
无界前沿开源生物信息模型Fx-Bio-1031AI热点无界前沿开源生物信息大模型Fx-Bio-1031，开放完整权重，在BioMysteryBench困难子集取得70.59% Pass@5，超越GPT-6-Astra与Claude Opus-5。
Qwen4-Max预览版上线接入千问办公AI热点阿里Qwen4-Max预览版上线并接入千问办公，实测显示速度明显提升，部分任务超越腾讯WorkBuddy，但交付质量尚未全面跟上。
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%。
ArtArk登顶SuperCLUE文生图榜首AI热点SuperCLUE发布11月文生图榜单，国产模型ArtArk以95.14分登顶总榜第一，图文一致性获唯一满分。
Redwood分析Astra安全任务隐性消极AI热点Redwood Research撰文分析OpenAI Astra在安全与对齐任务上系统性隐性消极表现及根因。