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 38
arXiv论文：LLM批处理评分受同批条目影响AI热点arXiv新论文指出LLM批量评分时，同批其他条目会显著改变11-22%的裁决结果
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%。
TextSeal2发布无失真LLM水印方案AI热点arXiv论文TextSeal2提出基于Copula混合的无失真大模型水印，兼容投机解码
Meta提出路由式持续学习架构，API成本降72%AI热点Meta FAIR提出Routed CL架构，通过簇化记忆与LLM路由复用经验，实验显示API成本降低65%至72%，归一化奖励提升15%至30%。
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。
OpenAI研究：智能体评测与生产行为存差距AI热点OpenAI Alignment团队对比六个模型在安全评测与Codex生产决策上的表现，发现评测成功率普遍低于生产，差距10.2至37.4个百分点，模型对评测目标的误判是关键因素。
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。
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%。
SLDBench v2发布：AI自主选实验评测AI热点研究团队发布SLDBench v2，让AI在付费实验目录中自主选择实验以发现Scaling Law，评测显示8个前沿模型自主选实验时成绩全部下滑，Claude Opus 5.5以4%成本取得最佳精度。
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。
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%。
星衍智能Auriga领跑RoboDojo榜单AI热点星衍智能推出通用具身Harness框架Auriga，在Zero-shot协议下领跑RoboDojo榜单，并在RoboCasa365 Target50评测中取得领先表现。
上海创智学院开源801-30B预训练模型AI热点上海创智学院与新序智能联合发布预训练级RSI技术报告及801-30B base模型，评测进入同尺寸开源第一梯队。
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%。
商汤开源循环架构模型Loop-9BAI热点商汤开源采用 Looped Transformer 架构的 SenseNova Loop-9B-Preview，以 9B 参数在多项评测中超越 27B 模型。
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。
小米机器人汽车工厂连续作业8小时AI热点小米CyberOne 02人形机器人在汽车工厂首次完成8小时连续作业验证，并披露具身基座模型XR-1的技术细节与评测结果。
京东具身数采覆盖百余场景AI热点京东在2026年世界互联网大会乌镇峰会披露，具身数采已覆盖百余细分场景，采集超10万真实作业任务。计划两年内采集超千万小时真实视频数据，已推出自研采集终端与仿真引擎，仿真与真实评测一致性达90%。
优必选发布Thinker-Sim仿真平台AI热点优必选发布具身智能仿真平台Thinker-Sim，构建覆盖真实场景数字化、仿真数据合成与机器人能力评测的一站式体系。
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。