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。