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 44
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。
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。
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
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%。
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。
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。
PinyinBench发布：17个模型测汉字语音知识AI热点arXiv论文发布PinyinBench基准，评测17个文本与多模态大模型对汉字语音知识的掌握情况。
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。
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。
百度开源文心5.5 Flash Base模型AI热点百度开源文心5.5 Flash Base基座模型，2800亿参数MoE架构，多基准刷新同尺寸SOTA。
腾讯混元开源Hy-Nomas世界生成模型AI热点腾讯混元开源支持多轮交互与镜头控制的视频世界生成模型Hy-Nomas，并同步发布评测基准。