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 168
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。
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%。
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。
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%。
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%。
CMU新基准:9个AI智能体全未过审AI热点CMU联合美国能源部国家实验室推出Into the Unknown基准,9个AI智能体的135份开放课题研究提交无一同时满足诚实、完整与专家标准,114份未过诚信检查。
Voice Arena发布双人通话语音识别基准AI热点Voice Arena推出针对真实双人电话通话场景的语音识别基准,首个数据集已上线。
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
SPU湿实验预测基准发布,Opus 5.5仅0.486分AI热点UniPat AI牵头发布湿实验预测基准SPU,覆盖116个任务、4207个湿实验,首轮评测12款前沿模型,最高分Claude Opus 5.5仅0.486,且提高推理强度与算力未带来明显提升。
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。
AI同行评审基准:前沿LLM检测率差50点AI热点论文提出审计AI同行评审员的基准,向真实论文注入357个错误并评估12个评审系统,发现模型选择对检测率影响最大。
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。
Anthropic发布多智能体基准MAMUBenchAI热点Anthropic发布MAMUBench基准,测试显示单一协调智能体在四类多用户环境中均优于各用户自建智能体团队。
OpenRouter发布LLM基准测试教程AI热点OpenRouter发布教程,讲解如何用应用真实输入与输出契约评测LLM,并公布60个合成任务的实测结果与榜单相关性分析。
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。
开源项目 59
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
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
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
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