📡
Google 发布 SynthCorp 基准,现有顶级数据智能体仍会失败
𝕏2026 年 11 月 13 日
📡
小模型配工具,比大模型裸跑还便宜还准
𝕏2026 年 11 月 12 日
📡
OpenAI 发布 LifeVal,测 AI 能不能帮你搞定日常事
𝕏2026 年 11 月 3 日
📖
同一批 AI 模型,暂停时钟后通过率从 36% 升到 80%
大模型实时交互2026 年 11 月 2 日
📡
Kimi K3.1 Pro 成开源权重模型里训 AI 最强,但仍远落后 Opus 5.5
𝕏2026 年 10 月 27 日
📖
同一模型同一测试,实验室公布分数平均比独立测试者高6.4%
开源行业观察2026 年 10 月 19 日
📡
智能模型加工具链,三大硬基准都要被刷穿了
𝕏2026 年 10 月 16 日
📡
induction_labs推出FrontierML基准测试
𝕏2026 年 10 月 14 日
📡
三方联合发布AI探索能力新基准ExplorationBench
𝕏2026 年 9 月 30 日
📡
arcprize 披露ARC-AGI-4基准测试方向
𝕏2026 年 9 月 13 日
📡
fchollet 正在开发 ARC-AGI-4 将于2027年Q1推出
𝕏2026 年 9 月 4 日
📡
Grok 4.6 拿下银行智能体测试第一名
𝕏2026 年 8 月 23 日
📡
Apodex_AI推出TRACES 专门测试发现式AI
𝕏2026 年 8 月 20 日
📡
ScaleAILabs发布HarnessOpt-Bench 基准测试
𝕏2026 年 8 月 19 日
📡
data-eng-bench 开源了,可测试AI数据工程表现
𝕏2026 年 8 月 7 日
📡
Prime Intellect开源Prime Agent 跑分超过人类专家
𝕏2026 年 8 月 6 日
📡
Accomplish.ai 开源新基准,测AI代理真实性能
𝕏2026 年 8 月 6 日
📡
AI评测基准正在升级,现在要考建三维场景了
𝕏2026 年 8 月 2 日
📡
Claude Opus 5赢了三个大模型3D场景 benchmark
𝕏2026 年 7 月 27 日
📡
专门测AI真本事的基准,开源了
𝕏2026 年 7 月 19 日
📡
卡内基梅隆大学发布Gym-Anything助力AI训练
𝕏2026 年 7 月 5 日
📡
开源模型跑出了ARC-AGI-2目前最好成绩
𝕏2026 年 6 月 25 日