「基准榜单」共找到 1483 篇相关文章
DeepSeek-V4-Flash正式版发布并开源，全面超越V4-Pro预览版
DeepSeek-V4-Flash正式版发布并开源，这一304B轻量级模型经后训练，性能远超V4-Pro预览版，与Claude Opus-4.8接近。模型权重开源后上Huggingface趋势榜第二，性价比高，实测表现佳。
具身智能的Skill时刻！英伟达开源机器人技能库，Jim Fan：范式变了
英伟达开源能让机器人持续成长的技能库ASPIRE，类似机器人版Coding Agent，会沉淀机器人操作经验。英伟达机器人主管Jim Fan称其代表全新持续学习范式，论文实验验证其效果好于此前方法。
Claude Code终于长出调度台：一个屏幕盯住所有AI会话，无需多开
Anthropic为Claude Code上线Agent视图研究预览版，提供「指挥中心」，可在一个界面管理所有会话。开发者能启动多个AI智能体并行处理任务，一目了然掌握任务状态，还支持在线回复和任务切换。
LangFlow: 挑战离散扩散，探索下一代语言模型新范式
UIUC Ge Liu团队发布《LangFlow: Continuous Flow Matching for Large Language Models》，回归连续扩散架构。研究指出连续扩散受挫非先天缺陷，经优化，LangFlow让连续扩散在标准基准追平离散扩散，为多模态统一架构打通底层路线。
神秘模型排名超 Gemma 4 31B：不跟 Qwen 硬刚，主打“快”和“省 token”
OpenRouter的Elephant模型Trending榜排名超Gemma 4 31B。它是100B参数隐身模型，主打‘智能效率’，在速度、token消耗、指令遵循等方面与其他100B级别模型对比各有优劣，代表极致轻量路线。
永别了，背公式时代！波兰物理学家用一个算子统一数学
2026年4月，波兰雅盖隆大学物理学家安杰伊·奥德尔齐沃莱克发表论文，提出算子eml(x,y) = eˣ − ln(y)，证明不断嵌套此算子可推导出科学计算器上每个按键对应的函数，引发数学界震动。
一句话生成无限逼真3D场景！匹兹堡大学新作直击VLM空间推理软肋丨CVPR'26
VLM在3D空间推理上表现不佳，且缺乏合适测试基准。匹兹堡大学团队提出InfiniBench框架，用LLM Agent迭代优化和聚类策略，可按需生成3D场景，还能精准定位大模型空间推理缺陷。
代码Agent的苦涩教训！首次拆解上下文检索，直指自动化软件瓶颈
ContextBench首次从「过程」评测代码智能体，揭示当前模型多读少用、被关键词误导等深层问题。它基于真实问题修复任务，由专家标注「黄金上下文」，用多指标评估。研究显示，复杂架构未必效果好，模型重召回轻精确等。
ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」
过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。
破解机器人「慢半拍」难题：南洋理工解决VLA致命短板，动态世界断层领先
南洋理工大学NTU S-Lab团队提出DynamicVLA，解决主流VLA模型在动态场景下反应迟缓等问题。它从多层面设计，构建自动化数据体系和DOM Benchmark，在实验中多维度领先。