#Bench

智能AI None

实锤：Claude Opus 4.8「偷答案」！63%靠抄，AI断网后成绩雪崩

新智元报道 【新智元导读】 Cursor AI官方发布重磅研究，实锤包括自家模型在内的顶级AI，在编程评测中大规模「偷看答案」：Opus 4。1%的惊人成绩，断网后直接暴跌至73。0%，其中63%的「解题」竟非独立推导。「 偷看答案 」、作

Opus Cursor SWE

2026-06-26 新智元

智能AI None

基准饱和后的生活：CORE-Bench 案例研究

26158v1 Announce Type: new Abstract: When a benchmark's accuracy saturates, it is often retired and replaced with a more

and the accuracy

2026-06-26 Nitya Nadgir, Sayash Kapoor, Kangheng Liu, Peter Kirgis, Matilda Orona, Stephan Rabanser, Tilman Bayer, Abhishek Shetty, Yue Ling, Derrick Chan-Sew, Rumi Nakagawa, Saiteja Utpala, Zachary S. Siegel, A

智能AI None

RIFT-Bench：代理人工智能系统的动态红队

arXiv:2606.23927v1 Announce Type: new Abstract: Agentic AI systems powered by large language models (LLMs) are rapidly e

systems across RIFT

2026-06-24 Yarin Yerushalmi Levi, Roy Betser, Amit Giloni, Lidor Erez, Itay Gershon, Oren Rachmil, Sindhu Padakandla, Roman Vainshtein

智能AI None

从自信的结束到无声的失败：LLM代理中虚假成功的特征

09863v1 Announce Type: new Abstract: LLM agents can fail silently by asserting task completion when the environment stat

and the tau

2026-06-10 Laksh Advani

智能AI None

GPT-5.5反杀Claude登顶，AI编码旧榜不准了？

新智元报道 【新智元导读】 一个号称「零污染」的新基准 DeepSWE，用113道原创题撕开了旧编程榜单的遮羞布。代码评测圈，一把新量尺落下。就在刚刚，Datacurve推出了新基准DeepSWE。Datacurve联合创始人、CEO Se

DeepSWE SWE Bench

2026-05-27 新智元

智能AI None

胜率直逼人类大师！这套Agent揭开中国AI「玄学真相」

新智元报道 【新智元导读】 没有信息泄漏的专业术数题库面前，Claude、GPT等主流模型集体「翻车」。但一个叫Tianfu Agent的系统，却一举将准确率提升至50%，逼近本届术数大赛人类Top20选手的53。把当前最先进的通用大模型，

Agent Tianfu Sub

2026-05-25 新智元

开发者生态 None

Microsoft 6502 BASIC 现已开源 (2025)

May 19 • 4 min read Introducing STATE-Bench: A benchmark for AI agent memory STATE-Bench is an open-source, memory-agnos

STATE Bench benchmark

2026-05-24 GTP

智能AI None

李飞飞再出手，空间智能的ImageNet来了

李飞飞再出手，空间智能的ImageNet来了 听雨 2026-05-22 16:25:25 来源： 量子位 一个专门用来评测具身空间智能的新基准 听雨 发自 凹非寺 量子位 | 公众号 QbitAI ImageNet之后，李飞飞再出手。李飞

ESI Bench 智能体必

2026-05-22 听雨

智能AI None

AVGen-Bench：面向下一代文生音视频模型的系统化评测框架

（本文阅读时间：10分钟） 从文生图、文生视频，到文本生成音视频（Text-to-Audio-Video, T2AV），生成模型正在快速迈向更强的多模态表达能力。与此同时，一个关键问题也愈发突出：我们究竟该如何评测这些模型。现有评测往往更关

AVGen Bench prompt

2026-05-13 微软研究院AI

游戏 None

Auto Research 来了：当 AI 开始接管科研里最苦的活，意味着什么

如果几年前有人告诉我，AI 不仅能写代码、生成论文摘要，还能像一个真正的工程师那样，在实验室里反复寻找可行的策略、持续优化一个方案——我大概会觉得这个人科幻片看多了。但最近读到一篇论文的时候，我的想法变了。过去两年，大模型的能力突飞猛进，从

Frontier Eng Agent

2026-05-13 极客公园

智能AI None

Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜

Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜 思邈 2026-05-13 12:08:58 来源： 量子位 正式进入“迭代优化”时代 允中 发自 凹非寺 量子位 | 公众号 QbitAI 如果把AI丢进一

Agent Frontier Eng

2026-05-13 思邈

智能AI None

BALAR：用于主动推理的贝叶斯代理循环

05386v1 Announce Type: new Abstract: Large language models increasingly operate in interactive settings where solving a

and BALAR Bench

2026-05-09 Aymen Echarghaoui, Dongxia Wu, Emily B. Fox