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 91
VEX-Bench评测LLM虚假信息验证复杂度AI热点VEX-Bench基准评测LLM生成虚假信息的验证复杂度，覆盖7个前沿模型与7种生成方法共5880篇文章。
NarrativeBench基准评测14个LLM叙事导航能力AI热点arXiv提交新基准NarrativeBench，评测14个LLM在23种语言下的多元叙事导航能力，发现现有模型普遍不足。
ImplicitBBQ基准揭示LLM隐性偏见AI热点新基准ImplicitBBQ通过特征线索评测11个大模型的隐性偏见，发现开放权重模型隐性偏见超显性6倍，种姓维度最严重，并开源代码与数据集。
FinDendro基准测LLM时间自知识AI热点arXiv新论文提出FinDendro基准，用2226条带日期事实测试大模型时间自知识，发现自述会低估模型知识，回测无法靠自述证明无泄漏。
MemoryDojo基准评测智能体记忆投毒AI热点MemoryDojo基准通过155条多会话轨迹评测五种LLM智能体记忆系统在投毒攻击下的安全性，发现所有系统均易受影响。
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%。
ServerBench发布：智能体设计LLM服务系统AI热点arXiv论文提出ServerBench基准，评测编码智能体设计专用LLM服务系统的能力，Claude Sonnet 5.5表现领先。
SocialGym用22款游戏评测LLM社交智能AI热点SocialGym提供22个多智能体社交游戏，以可验证规则评测十个LLM的社交能力。
DGP动态门控打通ViT与LLM全层连接AI热点NeurIPS 2026接收论文提出DGP机制，在ViT与LLM所有层间建立动态门控全连接，较LLaVA-1.5基线多项评测显著提升。
SecureGARD实现智能体0%注入攻击成功率AI热点SecureGARD提出动态本体引导治理框架，在三个基准上实现0%间接提示注入攻击成功率并提升任务效用。
SpecCompact加速智能体上下文压缩提速5.63倍AI热点SpecCompact通过槽并行语义推测验证加速LLM智能体上下文压缩，最高提速5.63倍。
LA-RAG框架实现长音频结构化问答AI热点论文提出LA-RAG框架，将长音频转为带时间戳事件记录并结合检索增强生成回答问题，并构建两个新QA基准。
论文提出AI智能体Token浪费测量框架AI热点arXiv新论文提出统一框架测量AI智能体token浪费，经干预验证可移除41-46%推理且基本保持任务性能。
MCPHallu基准测MCP智能体三类幻觉AI热点新基准MCPHallu评测MCP智能体在推理、执行、记忆三轴的幻觉失败，覆盖358任务与14个前沿模型。
DictLLM字典核压缩LLaMA-7B达5.1倍AI热点DictLLM提出字典核后训练压缩方案，将LLaMA-7B压缩5.1倍且困惑度仅升2.9点，压缩率较SOTA低秩方法高3.6倍，入选NeurIPS 2026。
SAFE框架入选EMNLP 2026主会AI热点证据锚定多跳推理验证框架SAFE被EMNLP 2026主会接收，平均提升8.8个百分点
概率微型递归模型PTRM发布AI热点arXiv论文提出PTRM，通过在递归步骤注入高斯噪声实现测试时计算扩展，显著提升微型递归模型在推理任务上的准确率。
SEE基准评测28个多模态模型科学推理AI热点SEE基准评测28个多模态大模型在化学、生物、材料科学实验问题上的表现，最佳模型准确率仅54.9%，工具使用后提升至56.1%。
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。
Amazon审计9个AI基准发现评分错误AI热点Amazon新论文审计9个专业领域AI基准，发现参考答案与评分代码常误判正确回答，修复后模型得分显著提升。