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 31
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%。
普林斯顿发布SSoN空间智能基准AI热点普林斯顿AI Lab推出SSoN基准，人类准确率83.3%，主流视觉语言模型最高仅39.7%，多数低于随机基线。
SemiAnalysis发布智能体基准GDPxAI热点SemiAnalysis联合14家RL环境伙伴推出通用智能体基准GDPx，覆盖11个高价值领域，最佳模型仅得12%。
印度IPR法律抽取式问答基准发布AI热点arXiv发布IndicIPR-QA基准，含4462个问答对覆盖印度七大知识产权法案
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%
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。
谷歌发布T2J-Bench迁移评测基准AI热点谷歌团队发布T2J-Bench，用63个整仓任务评测PyTorch到JAX迁移，TwinHarness将得分提升11.4%。
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。
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。
MEMENTO长上下文智能体准确率升至67.8%AI热点MEMENTO基于Qwen3-8B训练上下文压缩管理，在书籍问答基准上将准确率从36.9%提升至67.8%，成本远低于GPT-5.5与GLM-5.3方案。
英伟达UT-Austin发布Realtime-BenchAI热点英伟达与UT-Austin等机构提出Realtime-Bench实时交互基准，测试12个前沿模型，最佳模型GPT-6-Astra任务成功率仅44%。
Kimi发布K3.1 Pro，降价对标Opus 5.5AI热点Kimi发布K3.1 Pro后训练模型，编程基准逼近Claude Opus 5.5，API价格下调约三分之一。
Gym-Anything用编码智能体生成机器人仿真AI热点arXiv论文提出Gym-Anything框架，让编码智能体自动生成机器人仿真并构建RoboWorld基准。
小鹏联合北大港大发布GroundingPI模型AI热点小鹏联合北大、港大等发布具身感知基座模型GroundingPI，约40亿参数，34项感知基准综合评测第一，对比GPT-6 Astra得分73.68对71.54。
Zyphra发布树状稀疏注意力ZHAAI热点Zyphra AI发布ZHA稀疏注意力方法，用树状索引器实现稀疏检索，约4B token即可蒸馏进冻结模型，在256K检索基准上接近稠密注意力。
清华团队发布代数世界模型AWMAI热点清华大学姚期智、袁洋团队提出代数世界模型AWM，通过探索、凝炼、证明三步让AI理解游戏规则本质，在ARC-AGI-3测试集上183关全部通关，得分99.9%，平均动作数仅为人类基准的43%，并能证明任务无解。
MedPhysBench评测12模型医学物理计算AI热点MedPhysBench发布，评测12个语言模型在医学物理计算与错误检测任务上的表现，Claude Sonnet 5.5在等中心MU计算中19/20漏掉平方反比修正。
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。
商汤开源具身框架，成本降至GPT-6的1/50AI热点商汤开源具身智能执行框架RoboRSI及27B模型，宣称任务成本降至GPT-6-Astra的1/50。