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 162
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。
LoLBench实测28种Agent组合最高解决率14%AI热点复旦大学等机构提出LoLBench,在平均240万行代码的系统上评测Agent从需求到交付的能力,28种组合最高解决率仅14%。
NovaSilicon两篇论文:自研Agent超GPT-6AI热点NovaSilicon发布两篇论文,其基于CDK的自研Agent在模拟版图与floorplan评测中均分超过GPT-6 Astra。
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。
Deepnote评测12模型:OpenAI包揽前二AI热点Deepnote发布Agent Initiative Benchmark,12个模型在Slack虚拟公司场景中比拼判断力与性价比,OpenAI GPT-6 Astra与Sol包揽前二。
清华发布BEMULA基准测Agent遗忘能力AI热点清华大学联合新浪微博提出BEMULA基准,评测LLM Agent的记忆遗忘能力,结果显示所有被测配置端到端通过率均不超过1.5%。
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%。
RoboDojo评测:Astra方案提升具身模型分数AI热点RoboDojo评测显示,具身团队引入GPT-6 Astra与RUA方案后,模型评测分数从20-30分提升至50-60分,引发行业对自研路线的重新审视。
南大发布TestPrism基准:AI测试通过率被高估AI热点南京大学团队提出测试生成Benchmark TestPrism,发现前沿Coding Agent在单一参考评测下成功率59.67%,但联合成功指标仅28.00%,并提出TestHelix框架提升表现。
LMArena提出智能体交互评测新范式AI热点LMArena介绍Interaction-as-a-Judge评测范式,研究智能体直接操作游戏与应用的交互能力。
姚期智杨植麟联合发布TCSExam科研评测AI热点姚期智与杨植麟等联合提出TCSExam,用100项理论计算机科学科研任务评测AI科研能力,GPT-6 Astra完成14项研究级定理并把有限域矩阵猜想从8维推进到9维。
腾讯微信视觉开源长视频剪辑AgentAI热点腾讯微信视觉开源长视频自动剪辑Agent WeVisCut,输入旁白脚本即可自动输出数分钟成片。
HumanLayer创始人质疑无人值守软件工厂AI热点HumanLayer联合创始人德克斯·霍西在演讲中质疑“无人值守”软件工厂,并公布SlopCodeBench分阶段评测结果:受测Agent最高严格通过率仅16.3%。
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。
清华腾讯提出TreeOPSD,深度研究准确率提升4.97点AI热点清华季向阳团队与腾讯提出TreeOPSD,改进长程Agent强化学习的信用分配,在Qwen3-30B-A3B上将Deep Research平均EM从16.23%提升至21.20%。
微软提出Self-HPO让编码智能体自进化AI热点微软研究者提出Self-HPO方法,让编码智能体交替优化运行框架与模型权重,在三项SWE-Bench评测上平均解决率从57.8%提升至64.8%。
Gemini 4 Hydrogen High成Agent Arena前十最快模型AI热点Agent Arena榜单显示,谷歌Gemini 4 Hydrogen (High)成为前十模型中速度最快的一款,典型步长7.3秒。
混元Hy4登Agent Arena总榜第14AI热点Agent Arena宣布腾讯混元Hy4总榜排名第14,净提升4.7%,进入Pareto前沿。
Qwen4-Max登顶Agent Arena中国模型第一AI热点Qwen4-Max在Agent Arena以+7.5%净提升升至总榜第14,为中国模型第一,阿里巴巴升至全球第五实验室。
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。
开源项目 39
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
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
Paperclip:AI Agent团队编排应用开源项目Node.js 服务与 React 界面,用于组建、治理并监控多Agent团队的目标与预算。查看
Dexter:自主金融研究 Agent开源项目自主金融研究 Agent,将复杂问题拆解为研究计划,用实时市场数据执行并自我校验。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
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
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
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
Memvid:单文件AI记忆层开源项目把数据、嵌入、检索结构与元数据打包进单个文件的可移植记忆系统,为AI Agent提供持久化长期记忆。查看
OpenViking:AI智能体的上下文数据库开源项目把知识、记忆与技能组织成 viking:// 虚拟文件系统,供智能体用 ls、read、grep 等方式浏览和检索上下文。查看
V-JEPA 2:自监督视频理解与预测模型开源项目Meta FAIR 的自监督视频模型官方 PyTorch 代码库,涵盖 V-JEPA 2、V-JEPA 2-AC 与 V-JEPA 2.1。查看
Index-AniSora:开源动画视频生成模型开源项目B站开源的动画视频生成模型仓库,提供多版本模型权重与推理代码,支持多种动画风格的视频镜头生成。查看
HunyuanOCR-1.5:轻量端到端 OCR 视觉语言模型开源项目统一文档解析、文本检测识别、信息抽取与图文翻译的轻量 OCR VLM,含训练与推理栈。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
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
Open R1:DeepSeek-R1 的完全开放复现开源项目已停止维护的开源项目,提供复现 DeepSeek-R1 流水线的训练、数据生成与评测脚本及数据集。查看

