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 178
FrontierHarness v1.1:2.7万次运行64%推理开销耗于失败AI热点FrontierHarness Eval v1.1发布,27,280次编码智能体运行显示64%推理开销耗于失败任务,harness与模型搭配显著影响成本。
伯克利论文:智能体自改Harness或致能力退化AI热点伯克利等团队研究发现,智能体自改Harness提升平均分的同时会丢失原有任务能力,且多数可靠性提升伴随成本上升。
清华伯克利开源机器人Agent HarnessAI热点清华、伯克利团队提出uni-robot-agent统一机器人Agent harness,开源模型在RoboDojo取得31.39分,超GPT-6 Astra的28.97分,真机取得53.50分。
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%。
EnvOpt框架发布:智能体环境自动优化降本48%AI热点提出EnvOpt框架,通过自动优化智能体环境表示,在五项基准上平均降低48%成本且通过率持平或更高。
Perplexity发布本地优先智能体ComputerAI热点Perplexity推出本地优先智能体Portable Computer,默认全栈本地运行,敏感数据不出设备;在内部基准上Qwen 3.8 27B跑出82.6%,其后训练模型PPLX 27B达85.4%。
ARC Prize公布Fable 5.2评测成绩AI热点ARC Prize公布Claude Fable 5.2在ARC-AGI-2取得93.8%,为第三高模型成绩,并披露各基准得分与评测成本。
The Trinity提出能力驱动RSI新框架AI热点深圳无尽递归智能科技提出全模态RSI框架The Trinity,以能力为演化单位,四轮迭代在训练与未见基准上分别平均提升34.1分和26.2分,真实机器人任务成功率从0%升至60%。
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。
开源项目 62
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
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
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
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
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
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
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
SWC:Rust 编写的 TypeScript/JavaScript 编译器开源项目用 Rust 编写的高性能 TypeScript/JavaScript 编译器,同时作为 Rust 库与 Node.js 库使用,可替代 Babel 完成转译等编译任务。查看
nano-vllm:从零实现的轻量 vLLM开源项目约 1200 行 Python 从零实现的轻量级 vLLM,提供离线推理与前缀缓存、张量并行、CUDA graph 等优化。查看
CADAM:自然语言生成 CAD 模型的开源 Web 应用开源项目浏览器内的开源 Text-to-CAD 应用,用自然语言或图片生成参数化 OpenSCAD 模型,可导出 STL/SCAD/DXF。查看
DeepSeek-OCR:视觉-文本压缩OCR模型开源项目从LLM视角研究视觉编码器的OCR模型,支持多种原生分辨率与动态分辨率模式,可用vLLM推理。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
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
Tongyi DeepResearch:深度信息检索 Agent 模型开源项目通义实验室 30B-A3B 激活的深度研究模型,面向长程信息检索任务,附推理脚本与评测流程。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