03:22
Philipp Schmid@_philschmid
Philipp Schmid@_philschmid推荐理由：谷歌Gemini 3.8 Flash在Cursor测试中得分69.9%，每任务仅2.38美元，性价比突出。
基准测试
共 458 条相关 AI 资讯
9月3日
03:22
Gemini 3.8 Flash在@cursor_ai基准测试中取得了69.9%的成绩，每任务成本为2.38美元。该模型在性能与成本之间实现了平衡。测试结果显示其具有竞争力。
01:42
01:42
Firecrawl@firecrawl_dev
Firecrawl@firecrawl_dev推荐理由：FireCrawl 推出 DevDex 基准，帮你选对编程代理的搜索工具
9月2日
12:46
12:46
量子位@梦晨
推荐理由：Claude发布了Fable 5.1，8项基准测试领先，降价45%，还加入了反蒸馏机制。
10:40
10:40
官方账号arXiv cs.AI@Wenqi Pei, Henry Hengyuan Zhao, Yilai Liu, Jiahao Meng, Han Chen, Ziyu Wang, Hongyang Du
推荐理由：新基准测试揭示视频大模型在时间对齐上的短板，比语义理解更弱。
10:11
10:11
官方账号arXiv cs.LG@Yiming Huang, Ziche Liu, Zhuohang Wu, Yiqian Wang, Junxia Cui, Xinkai Zou, Linjun Mao, Nan Huang, Naicheng Yu, Kaijie Zhu, Yue Ma, Kun Zhou, Letian Peng, Jingbo Shang
精选73°
推荐理由：研究人员发布科学定律发现基准SCILAWS-BENCH，包含真实数据和合成世界两种测试场景，评估LLM科学发现能力。
09:39
09:39
官方账号arXiv cs.AI@Noor Abo Mokh, Kirill Chirkunov, Teresa Lynn, Nizar Habash, Reham Marzouk, Malik H. Altakrori, Younes Samih, Muhammed Abu Odeh, Nour Rabih, Rahaf Alshahrani, Hamad Alshehhi, Hamdan Al-Ali, Muhra Almahri, Besher Hassan, Mohamed Anwar, Abed Alhakim Freihat, Preslav Nakov, Alham Fikri Aji
推荐理由：阿拉伯方言NLP研究者必看，首个覆盖五大方言的阅读理解基准，揭示现有模型局限。
09:37
09:37
官方账号arXiv cs.AI@Leonardo Ranaldi, Sherrie Shen, Jushi Kai, Alexandra Birch
推荐理由：研究人员发布WorldBench基准，测试多语言智能体在真实场景中的表现，发现当前模型在长周期任务中表现脆弱。
06:29
06:29官方一手Hugging Face: Blog（博客/媒体）
推荐理由：BenchMIRT研究告诉你，现在流行的LLM基准测试到底在测什么，有什么局限性。
02:46
02:46
mem0@mem0ai
mem0@mem0ai推荐理由：模型性能差距微小，持久性智能体比短期表现更优，实际应用中更实用。
9月1日
12:12
12:12
官方账号arXiv cs.LG@Ahmed El Kady, Aravind Narayanan, Rehana Noorani, Yani Ioannou, Shaina Raza
推荐理由：Vector Institute研究团队发现高效AI评估可能改变基准结论，不同优化方式对结果影响各异。
11:19
11:19
官方账号arXiv cs.AI@Siqi Zeng, Andre N. Assis, Rowan Wang
精选73°
推荐理由：研究者提出LLM自我建模评估基准，用合成数据提升模型自我认知能力，但不构成真正的内省。
08:15
08:15
lmarena.ai@lmarena_ai
lmarena.ai@lmarena_ai推荐理由：Agent Arena 发布了智能体排行榜，能直观对比各 AI 智能体性能，比传统评测更直观。
8月31日
09:35
09:35
官方账号arXiv cs.AI@Qing Ye, Meng-Hsuan Lin
推荐理由：OpenAI团队发现保真度检查有漏洞，新工具检测能揪出编造答案的模型，比传统方法更可靠。
09:34
09:34
官方账号arXiv cs.AI@Yupei Liu, Yuqi Jia, Neil Zhenqiang Gong, Jinyuan Jia
精选73°
推荐理由：研究人员发布LongPIBench基准，测试了长上下文场景下的提示注入防御效果，发现现有防御存在显著漏洞。
09:32
09:32
官方账号arXiv cs.AI@Jason Armitage, Ioannis Tsochantaridis, Linda Mazzone, Chuqiao Yan, Srini Narayanan, Sarah Ebling
推荐理由：MAP基准测试首次评估AI系统如何帮助有无障碍需求的用户规划实地访问，包含主张验证和视觉证据检索两项创新评估。
8月30日
13:49
13:49
AI Will@FinanceYF5
AI Will@FinanceYF5推荐理由：阿里发布的 Qwen3.8-27B 虽参数量不大，但在笔记本就能跑出惊艳效果，10个案例展示实际能力。
8月29日
03:37
03:37
techcrunch@Russell Brandom
techcrunch@Russell Brandom推荐理由：Anthropic研究员展示了AI如何自我改进，在10个基准上都提升了表现。
8月28日
22:11
22:11lmarena.ai@lmarena_ai
lmarena.ai@lmarena_ai精选
推荐理由：Agent Arena上线新基准，用因果追踪测模型在长期任务中的真实表现，还能按类别筛选对比。
18:07
18:07
官方账号arXiv cs.AI@Dewu Zheng, Yanlin Wang, Xiwen Wang, Kefeng Duan, Hongyu Zhang, Xilin Liu, Yuchi Ma, Zibin Zheng
精选73°
推荐理由：MCR-Bench揭示了当前LLM在真实代码审查中的不足，特别是跨轮次时间对齐和长程记忆问题。
17:22
17:22
官方账号arXiv cs.AI@Yuandong Pu, Le Zhuo, Sayak Paul, Gabriel Jorge Menezes, Avram Đorđević, Shiyang Li, Yifan Zhou, Bin Fu, Wenlong Zhang, Junjun He, Yu Qiao, Yihao Liu, Jingbo Xing, Xi Chen
精选73°
推荐理由：PAWBench首次系统评估视频生成模型作为世界模型的概率对齐能力，揭示了当前模型与理想状态间的差距。
8月27日
16:18
16:18
shao__meng@shao__meng
shao__meng@shao__meng72°
推荐理由：RSI-Exam测试了LLM自演化能力，Claude和GPT表现优异，值得一看。
10:26
10:26
官方账号arXiv cs.AI@Yutong Chen, Guangfu Guo, Zhichao Xu, Kunpeng Liu
推荐理由：DualOPSD在模型规模和性能上都有显著提升，是自蒸馏领域的一个新突破。与OPSD相比，DualOPSD在多个基准测试中取得了更好的成绩，值得关注。
09:24
09:24
官方一手arXiv: DeepSeek@Dung Le Quang, Dong Cao Van, Nam Le Hai, Linh Ngo Van, Anh M. T. Bui, Phuong T. Nguyen
推荐理由：XREPOTEST提供了针对大型语言模型单元测试生成的挑战性基准，揭示了不同模型在不同上下文下的表现差异，值得研究。
04:07
04:07
elvis@omarsar0
elvis@omarsar0精选
推荐理由：DAIR.AI提出一种新颖的递归自我改进方法，在多个基准测试中表现出色，值得一读。
00:43
00:43
Jerry Liu@jerryjliu0
Jerry Liu@jerryjliu0精选
推荐理由：@perplexity_ai 发布了Portable Computer，这是一个本地优先的智能体，在文档理解方面表现优异，比开源的Pi和Hermes更胜一筹，值得一试。
8月26日
22:30
22:30techcrunch@Rebecca Bellan
techcrunch@Rebecca Bellan推荐理由：Z.ai揭秘了神秘的Ox Alpha模型，看看它如何领先其他模型！
21:38
21:38
官方账号阿里通义 Qwen@Alibaba_Qwen
官方账号阿里通义 Qwen@Alibaba_Qwen精选78°
推荐理由：阿里巴巴Qwen3.8-Flash-Next-Base模型参数少，性能强，是MMLU-Pro等基准测试的领先者，值得一看。
10:35
10:35Jerry Liu@jerryjliu0
Jerry Liu@jerryjliu0精选
推荐理由：LlamaIndex发布文档提取基准测试，全面评估多种系统，了解提取难度和成本与准确性的权衡，不容错过！
07:53
07:53
官方一手marktechpost@Asif Razzaq
官方一手marktechpost@Asif Razzaq推荐理由：Liquid AI发布了Pipette，这是一个开源的基准测试套件，可以综合评估设备模型、量化、运行时和硬件，对于想要了解模型在边缘设备上表现的人来说是个好工具。
03:59
03:59
官方账号Perplexity@perplexity_ai
官方账号Perplexity@perplexity_ai推荐理由：Perplexity AI 将开放基准测试，看看本地能力如何提升吧！
8月25日
23:18
23:18
The Rundown AI@therundownai
The Rundown AI@therundownai91°
推荐理由：OpenAI发布Jalapeño芯片，性能大幅提升，值得一看！
22:28
22:28techcrunch@Russell Brandom
techcrunch@Russell Brandom78°
推荐理由：想了解OpenAI如何加速推理？Jalapeño芯片的表现值得关注。它比现有技术更快，值得一看。
10:46
10:46
官方账号arXiv cs.AI@Zhiqing Cui, Xinxiang Yin, Yihong Tang, Xinglang Zhang, Yuanzhe Hu, Siru Zhong, Weidong Tang, Yuxuan Liang, Weijia Li, Ming Jin, Shirui Pan, Yuhao Kang, Dingyi Zhuang, Jinhua Zhao
推荐理由：EarthVerse基准测试为评估科学智能体提供了全面的方法，揭示了当前智能体在跨证据和尺度上的不足，值得专业人士关注。
10:06
10:06
官方账号arXiv cs.AI@Marek Hradil, Danae Sánchez Villegas
推荐理由：这篇论文提出了TimeCatch，一个用于评估视觉语言模型时间一致性的基准，揭示了当前模型在时间异常检测上的不足，值得一读。
01:37
8月24日
22:43
8月23日
01:18
01:18elvis@omarsar0
elvis@omarsar0精选
推荐理由：这篇论文提出了AI智能体上下文获取的新方法，值得一读。它通过最优提问，提高了智能体的性能和效率，与现有方法相比有显著不同。
8月22日
02:33
02:33Firecrawl@firecrawl_dev
Firecrawl@firecrawl_dev推荐理由：Firecrawl基准测试开放，自己动手测试一下，看看你的模型表现如何！
8月21日
21:38
21:38
官方账号NVIDIA AI@NVIDIAAI
官方账号NVIDIA AI@NVIDIAAI推荐理由：NVIDIA的通用编码智能体ARC-AGI-3测试满分，展示了强大的自主推理能力，是AI领域的又一里程碑！
16:07
16:07
官方一手pandaily@contact@pandaily.com (Pandaily)
78°
推荐理由：开源开发者有了新基准，Qwen3.8-27B横扫消费级硬件，比肩GPT-5.6 Luna和DeepSeek V4 Flash，参数量27亿，4位量化后适配24GB GPU，超越它才是新标准！