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 174
Turing Agent发布:形式化验证研究级数学AI热点Turing Agent实现研究级数学端到端形式化验证,在TCS基准取得57-62%与83%成绩,并完成三项未解决任务。
sudo L7基准:Claude全系胜过GPTAI热点新基准sudo L7显示Claude各模型在软件工程判断力上全面超越GPT。
GDP_xlsx基准发布:Gemini 4 Argon通过率38.3%AI热点新基准GDP_xlsx用70个真实职场Excel任务评测20个模型配置,Gemini 4 Argon以38.3%通过率居首,中位数仅19.3%。
SchemaBridge基准评测LLM数据库模式设计能力AI热点arXiv论文提出SchemaBridge基准,评测6个LLM在数据库模式设计与还原任务上的表现。
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。
谷歌联合推出MKA多模态智能体基准AI热点谷歌DeepMind联合Artificial Analysis发布MKA基准,评测智能体处理视觉复杂文件的知识工作能力,Gemini 4 Carbon质量排名第二、成本约为第一名六分之一。
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。
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。
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。
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。
XStack基准发布:测智能体跨生态迁移代码AI热点研究人员发布XStack基准,评测AI智能体将PyTorch仓库迁移至JAX/TPU的能力,Claude Opus 5通过率75%居首。
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。
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。
CMU新基准:Opus 5.5超人类AI基建基线AI热点CMU发布Singularity-Bench,Opus 5.5配合Claude Code在六项AI基建任务上奇点指数达1.25,超过人类基线1.0。
CMU新基准:Opus 5.5智能体得分1.25登顶AI热点CMU论文Singularity-Bench评测11个智能体,Opus 5.5+Claude Code以1.25分领先,其推理引擎每GPU小时收益超SGLang。
Voice Arena发布听写应用基准AI热点Voice Arena推出首个开放AI听写应用基准Dictation Bench,实测10款真实应用,Wispr Flow得分79%,Apple为35%。
AncBench古籍复原基准与路由网络发布AI热点提出AncBench基准与视觉先验路由网络,解决古籍图像复原中真实退化模拟难题。
AISLE湿实验基准首轮评测结果公布AI热点全球首个真实湿实验基准AISLE公布首轮评测结果,GPT 5.5仅得41.19分,所有模型安全通过率为0%。
开源项目 59
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
bombardier:HTTP(S) 基准测试工具开源项目用 Go 编写的 HTTP(S) 压测命令行工具,默认基于 fasthttp,也可切换 net/http 以支持 HTTP/2.x。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
powerpipe:DevOps 仪表盘与合规基准工具开源项目用代码定义的 DevOps 仪表盘工具,可可视化各类数据源并运行 CIS、NIST 等 5000+ 开源合规基准。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
whichllm:本地大模型选型与运行命令推荐工具开源项目读取本机GPU、内存与带宽,估算哪些开源模型能跑、速度多快,并按基准排名给出可直接运行的命令。查看
Spirit-v1.5:机器人视觉-语言-动作模型开源项目Spirit AI 的 VLA 机器人基础模型官方实现,含推理与微调代码、模型权重及 RoboChallenge 基准运行脚本。查看
AgiBot World:机器人学习数据集与 GO-1 模型开源项目大规模双臂操作机器人学习平台,含百万级轨迹数据集与 GO-1 基础模型。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
Unlimited-OCR:超长文档解析OCR模型开源项目百度的OCR模型项目,用SR-SWA把超长序列的图文注意力压缩为固定大小工作参考,实现有限上下文内的无界文档解析。查看
answer-me-with-html:把问题答案渲染成网页的 Agent 技能开源项目Agent 技能:模型只写 Markdown 草稿,配套 CLI 将其渲染为含图表的 HTML 页面,减少输出 token。查看
Gemini CLI:企业版 Code Assist 终端代理开源项目面向 Gemini Code Assist Standard/Enterprise 与 GitHub Code Assist 的开源终端编码代理,支持交互与非交互脚本模式。查看
ripgrep:递归正则文本搜索命令行工具开源项目面向行的递归正则搜索工具,默认遵守 gitignore 并跳过隐藏与二进制文件,支持 Windows、macOS、Linux。查看
Cangjie Skill:书籍与视频方法论提炼技能开源项目把书籍、长视频、播客中的方法论提炼为可调用、可组合的AI Skill包。查看
AutoResearchClaw:自主研究与论文生成流水线开源项目输入一个研究想法,通过23阶段多智能体流水线产出带真实文献、实验与LaTeX论文的学术稿件,支持全自动与人工协同模式。查看
oMLX:Mac本地LLM推理与菜单栏管理工具开源项目面向Apple Silicon的本地LLM推理服务,提供连续批处理、分层KV缓存与菜单栏管理。查看
Gigatoken:高性能文本分词器开源项目面向语言模型数据处理的快速分词器,兼容 HuggingFace Tokenizers 与 tiktoken,提供自有 API 与兼容模式两种用法。查看
reverse-skill:逆向与安全任务技能路由包开源项目为AI编码Agent提供APK、二进制、JS加密、CTF等安全任务的方法论路由与工具检查。查看
chrome-capture:Chrome 标签页视频录制库开源项目chrome-capture 是 TypeScript 库与 CLI,用 Chrome 153+ 的 Page.startScreenRecording 直接把标签页录成 AV1 MP4,支持 60–120fps、最高 2160p 和标签页音频,无需 ffmpeg。查看
etcd:分布式可靠键值存储开源项目用 Raft 共识管理高可用复制日志的 Go 键值存储,面向分布式系统的关键数据。查看