标签: Benchmark - 66必读

Introducing GeneBench-Pro, a new benchmark testing AI performance in genomics, biology, and scientific research using co

Introducing GeneBench Pro

2026-07-05 OpenAI博客

新智元报道【新智元导读】本该被锁在沙箱里的o1，自己摸到漏洞溜了出去。OpenAI团队倒吸一口凉气：连这都干得出，它还背着我们干过什么。OpenAI管模型评估的人，亲口讲了一件让整个团队当场倒吸一口凉气的事儿。

OpenAI Tejal GPT

2026-06-17 新智元

新智元报道【新智元导读】 OpenAI o1推理模型核心缔造者Noam Brown发长文炮轰整个行业：用单一跑分评价AI模型，从2024年就过时了。控制推理预算后再看，那叫一个天壤之别。OpenAI的Noam Brown，刚刚发了一篇长文

GPT benchmark Brown

2026-06-11 新智元

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

Benchmark almost never backs hardware startups。So Eric Vishria dragged his feet ten years ago before agreeing to hear Ce

Benchmark almost never

2026-05-14 Julie Bort

（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

新智元报道编辑：LRST 【新智元导读】 Claw-Eval-Live提出「活的」benchmark概念，通过信号采集与任务筛选，确保评测内容紧跟企业实际痛点，而非固定不变的题库。评测不仅关注结果，还追踪执行过程，从数据调用到状态变更，全

Agent Claw Eval

2026-05-11 新智元

#Benchmark