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”。
文章 1
工具 2
AI热点 189
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。
UCLA论文:AI智能体18%输出token是浪费AI热点UCLA与东北大学研究发现AI智能体约18%输出token属可移除浪费,剪除后任务成功率几乎不受影响。
伯克利论文:智能体自改Harness或致能力退化AI热点伯克利等团队研究发现,智能体自改Harness提升平均分的同时会丢失原有任务能力,且多数可靠性提升伴随成本上升。
LG免费开放K-EXAONE 2.5模型APIAI热点LG AI研究院宣布免费开放K-EXAONE 2.5模型API,开发者等可免费用于开发与研究。
牛津论文:LLM智能体难零样本协同AI热点牛津BOLD团队论文发现,前沿LLM智能体在跨模型零样本协同中倾向于坚持自身任意约定,导致得分低于安全值;加入简短的协调原则声明后可稳定选择安全动作。
Anthropic研究员测AI审计员:误报率高AI热点Anthropic研究员Andy Hall测试多款模型作为AI审计员,发现其能捕获大部分智能体不当行为,但误报率偏高,难以用于可靠安全检查。
AA实测GPT Image 2.6登双榜AI热点Artificial Analysis 实测 GPT Image 2.6,Flare 提速近一倍,Sunburst 登榜首。
测试:AI智能体受群体诱导会泄露密钥AI热点AE Studio与AI Alignment Foundation的内部测试显示,AI智能体在群体压力下会泄露私密令牌并运行不可信脚本。
METR披露Anthropic三个内部模型AI热点METR新报告披露Anthropic三个内部模型的训练时间与能力数据,其中Model 4的AECI超过Opus5.5。
腾讯发布多模态模型Hy4AI热点腾讯正式发布多模态模型Hy4,支持图像理解与自主操作软件,权重后续开放。
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。
递归稀疏注意力RecSA实现百万Token外推AI热点arXiv论文提出递归稀疏注意力RecSA,以对数成本实现百万级Token长度外推,性能与速度均超越稠密注意力基线。
a16z:前沿模型网安任务时长增至4.8小时AI热点a16z发文称前沿模型可靠完成的最长网络安全任务时长已从2024年末约5.5分钟增至2026年4月约4.8小时,AI网安能力每4至5个月翻倍。
开源决策模型Drex发布四款参数档AI热点Drex发布四款开源决策模型,Max在Decision Index上取得67.52分刷新决策模型最佳成绩,单次请求延迟183毫秒。
METR报告:Anthropic研发加速1.9倍AI热点第三方机构METR发布报告,量化Anthropic内部AI研发加速约1.9倍,约80%来自AI自身帮助。
开源项目 43
promptfoo:LLM评测与红队测试工具开源项目用于评估和红队测试LLM应用的CLI与库,支持自动化评测、模型对比、CI/CD集成与漏洞扫描。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
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
simple-evals:语言模型评测参考实现开源项目OpenAI 开源的轻量语言模型评测库,2025 年 7 月起不再更新,保留 HealthBench、BrowseComp、SimpleQA 参考实现。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
KADTK:Kernel Audio Distance 音频评测工具包开源项目实现 Kernel Audio Distance 指标的 Python 工具包与 CLI,用参考集与生成集的嵌入计算生成音频质量分数。查看
LingBot-VA:机器人控制的因果世界模型开源项目自回归视频-动作世界模型,统一视觉动态预测与动作推理,提供推理、评测与后训练代码及权重。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
Opik:开源LLM可观测与评估平台开源项目Apache-2.0 开源的 LLM 可观测性与评估平台,覆盖 agent 追踪、评测、提示词管理与生产监控。查看
Wall-X:WALL 系列具身模型训练与推理代码开源项目WALL 系列开源具身基础模型的训练与推理代码库,含数据准备、服务与评测工具。查看
VibeThinker:小参数量推理模型系列开源项目开源的 1.5B 与 3B 稠密推理模型仓库,基于 Qwen2.5-Coder,面向数学、竞赛编程等可验证推理任务,附技术报告与评测入口。查看
Modern Web Guidance:面向编程助手的 Web 技能源码库开源项目将现代 Web API、浏览器兼容性和开发实践整理为编程助手可调用的技能;此仓库用于编写、校准和评测这些内容。查看
nanochat:单节点LLM训练实验框架开源项目覆盖分词、预训练、微调、评测与推理全流程的极简LLM训练框架,通过单一深度参数配置模型规模。查看
openai/math:模型产出的数学手稿与 Lean 形式化开源项目OpenAI 内部模型在开放研究问题上产出的数学手稿、证明材料与部分 Lean 形式化库。查看
Yuan3.0 Flash:40B MoE 多模态基础模型开源项目YuanLab.ai 团队发布的 40B 参数 MoE 多模态大语言模型,每次推理激活约 3.7B 参数,支持 128K 上下文。查看
Step-3.5-Flash:稀疏 MoE 开源基础模型开源项目196B 参数、每 token 激活 11B 的 MoE 基础模型,面向推理、编码与 Agent 任务。查看
dInfer:扩散语言模型推理框架开源项目面向 dLLM 的高效可扩展推理框架,将推理拆分为模型、扩散迭代管理器、解码器与 KV 缓存管理器四个组件,支持批量推理。查看
LMT:中英为中心的多语机器翻译模型开源项目覆盖60种语言、234个翻译方向的LLM多语翻译模型系列,含0.6B至8B四种规格及配套SFT数据。查看
Pixel LLMs:像素级视觉定位的多模态模型系列开源项目以Sa2VA为核心的多模态LLM研究项目集合,将SAM-2与MLLM结合,实现图像和视频的密集定位理解。查看
HY-SOAR:扩散模型的免奖励自纠错后训练方法开源项目面向 rectified-flow 扩散模型的免奖励后训练方法,在出错的时间步上直接纠正去噪轨迹。查看

