#基准测试
主题「基准测试」下共有 159 篇日报。
2026-11-21周六2 篇模型评测基准测试
2026-11-20周五1 篇AI 智能体
2026-11-18周三1 篇模型评测
2026-11-17周二1 篇代码智能体
2026-11-14周六2 篇基准测试模型评测
2026-11-12周四2 篇AI 智能体模型评测
2026-11-11周三1 篇科研
2026-11-10周二2 篇大语言模型物理 AI
2026-11-07周六4 篇大语言模型语音 AI机器人AI 智能体
Drex 把选择从长推理里拆出:四款开源决策模型直接输出概率
Drex 以四个开源决策模型直接输出选项概率,避开自回归解码。27B 的 Max 在 Decision Index 公开套件上得 67.52,典型请求约 183 毫秒。
来源:Hugging Face Daily Papers公开信息仅剩标题:埃及与尼日利亚英语加入开放语音识别榜
来源为 2026 年 11 月 6 日 Hugging Face 博文。标题称埃及英语与尼日利亚英语加入 Open ASR 排行榜。无摘要、协议与分数,本稿仅据标题保守撰写。
来源:Hugging Face Blog仅凭标题:ToyBlocks被定位为机器人学习与评测的受控世界
Hugging Face介绍ToyBlocks,标题称其为机器人学习与评测的受控世界。无摘要,本稿仅按标题保守转述。
来源:Hugging Face BlogOpenAI发布百任务湿实验基准:检验智能体如何解读原始数据
OpenAI发布面向日常湿实验的百任务基准,衡量AI智能体解读原始实验数据与处理实验室日常科学工作的能力。
来源:OpenAI2026-11-06周五1 篇基准测试
2026-11-05周四1 篇应用架构
2026-11-04周三3 篇AI 智能体多模态模型
把策略和执行拆开:CoworkOS做成可恢复的长周期协作运行时
CoworkOS将策略与执行管理分离,支持同步或异步委派,并以共享产物层和分层记忆维持长周期人机共改,摘要称十二项基准上对标Codex等系统。
来源:Hugging Face Daily Papers嵌套双循环扩CUA:从教学视频合成可验证计算机任务
CUA-Master提出嵌套双循环:外层按模型弱点迭代开放世界数据,内层用教学视频种子自催化合成可验证任务,27B在OSWorld Verified上得80.2。
来源:Hugging Face Daily Papers先测构图再取景:PhotoGuider把360°全景做成可解释裁切
PhotoGuider用四类摄影token先测后框,覆盖360°朝向与二维裁切,并输出相机参数与构图解释;盲测中53.2%排第一。
来源:Hugging Face Daily Papers2026-11-01周日1 篇GPT-5.6
2026-10-31周六2 篇多模态模型
2026-10-29周四1 篇基准测试
2026-10-28周三3 篇AI 智能体语音 AI
最强智能体任务成功率仅42.3%:旧技能在工具生态演化中跟不上
论文提出可执行基准Δτ-Bench,用1588个多轮任务、42个领域和六代工具生态,检验智能体能否发现高效路径并修正流程知识;最强对象成功率仅42.3%。
来源:Hugging Face Daily Papers不必预设协作结构:DynaFlow让主智能体动态合成可执行工作流
DynaFlow将自由形态可执行工作流纳入主智能体动作空间,只训练编排并冻结子智能体,Forced模式下六项基准总体准确率88.08%。
来源:Hugging Face Daily PapersRetell 月通话约一亿:GPT-6 Astra 居语音基准首位
Retell 借 OpenAI 模型支撑月均约一亿通话;GPT-6 Astra 领跑其语音基准,Codex 助力人均 160 万美元 ARR。
来源:OpenAI2026-10-27周二1 篇科研
2026-10-24周六1 篇多模态模型
2026-10-23周五2 篇大语言模型模型评测
2026-10-22周四3 篇物理 AI代码智能体
人机共用几何接口:用相机位姿与骨架做跨本体世界模型
用约一万小时人类与三千小时机器人第一人称数据,以相机位姿和投影骨架统一移动与操作,并在五个跨本体基准上报告最优。
来源:Hugging Face Daily Papers读数已对答案仍错:给通用代码智能体配命令行感知,补上空间推理闭环
S-Agent 2.0 给通用代码智能体配命令行三维感知工具,用持久场景记忆与空间语言闭合证据环;开源骨干在 MMSI-Bench 与 ReVSI 上达到 66.5 与 82.3,超过同骨干 SpatialClaw。
来源:Hugging Face Daily Papers跨视角点轨迹约束4D预测:VPM同时生成任意视角视频与三维运动
VPM以多视角视频历史和语言指令为条件,联合预测任意视角未来视频与持久点三维轨迹,用点监督把各相机外观锚定到共享三维运动。
来源:Hugging Face Daily Papers2026-10-21周三2 篇多模态模型科研
2026-10-20周二1 篇代码大模型
2026-10-18周日1 篇大语言模型
2026-10-17周六4 篇基准测试AI 智能体物理 AI
真实交付才是瓶颈:FDE-Gym最佳配置仅解决14/95任务
FDE-Gym以95个真实改编交付任务评测智能体,最佳配置均分0.56、仅14项达标,未声明约束是主要瓶颈。
来源:Hugging Face Daily Papers开源GUI智能体一站式底座:MAI-Gym用9B模型报出两项最优
MAI-Gym将手机、电脑与网页的GUI评测、数据采集和在线强化学习收进同一开源平台,并训出9B统一智能体,两项基准达开源10B以下最优。
来源:Hugging Face Daily PapersOpenGCUA首发开源GCUA全栈:代码执行与决策转移显著提升多模型表现
OpenGCUA开源通用计算机使用智能体全栈,引入代码执行与harness-to-model决策转移,在OSWorld-v2上平均提升部分得分19.6分并减少53%步骤。
来源:Hugging Face Daily Papers用物理状态差当监督:VLA-Δ 训练时学变化、推理仍直出动作
VLA-Δ 把当前与未来状态的物理变化作为显式监督,并配语义与视觉运动的状态转移标注;推理不增加开销,两项仿真基准上与最强相当,真机优于 π0.5。
来源:Hugging Face Daily Papers2026-10-16周五3 篇基准测试AI 智能体
较弱模型盲信子智能体:CLASHarness 生成可验证计算机冲突任务
现有基准多假设协作一致。CLASHarness 构造600道可验证多智能体冲突任务,评测显示弱模型易盲信误导、强模型会核验视觉证据。
来源:Hugging Face Daily Papers复杂多文件场景下规则推理仍难:RuleTrek上11个前沿模型端到端最高仅55%
RuleTrek针对信息分散的复杂场景评测智能体规则推理,分识别、推导与端到端三项;11个前沿模型识别最高62.47%、推导最高60.43%,端到端仅26.97%至55.29%,显示当前能力仍有明显缺口。
来源:Hugging Face Daily Papers失败实验不再整段作废:科学智能体群靠反馈与重组递归改进
SwarmRSI用其他智能体的实验反馈同时修正假设与实现,并跨群体复用互补组件,在三项科学与机器学习基准上报告最优表现。
来源:Hugging Face Daily Papers2026-10-15周四3 篇AI 智能体物理 AI
Agent-Reflex教智能体主动反思:噪声反馈下提升长程工具使用表现
Agent-Reflex三阶段框架激励智能体主动反思与失败恢复,基于Qwen3-8B在长程工具基准上取得明显提升。
来源:Hugging Face Daily Papers世界模型也能拆出策略:GreenWAM统一二十类机器人关节坐标
GreenWAM用共享解剖动作空间覆盖二十类机器人,联合训练世界预测与可拆分策略,仿真世界建模领先比较对象,策略与真机适配亦具竞争力。
来源:Hugging Face Daily Papers稠密进度奖励让长程智能体可训:Tev-Gym 与 Tev-27B
Tev 用潜在世界优先构建 1170 个可验证稠密渐进奖励环境,PPRS 转为逐步奖励,Tev-27B 在 ALE-CM 的 Pass@5 上匹配 GPT-6 Astra 与 Claude Opus 5。
来源:Hugging Face Daily Papers2026-10-10周六1 篇代码智能体
2026-10-09周五3 篇物理 AIAI 智能体代码智能体
能搭工作流却做不稳:RobotWorld揭示物理智能体缺口
RobotWorld用84项仿真任务评测多模态智能体,发现感知控制工作流可搭建,但难以稳定组合成可靠物理行为。
来源:Hugging Face Daily Papers任务欠账改由环境记账:RunningTab 补上直接工作区交互的交付缺口
RunningTab 用环境侧标签页记下任务仍欠什么、已读摘录和未打开候选,智能体对照勾销或搁置,结束前再检查;三基准三模型上优于纯 DWI 与模型内记账。
来源:Hugging Face Daily Papers构建任务最好仍低于60分:SWE-Game检验编码智能体能不能做出想要的游戏
SWE-Game用41款Godot游戏和247项任务评测编码智能体,Opus5五项全高,但构建任务最佳仍低于60分,简报到游戏仅50.38。
来源:Hugging Face Daily Papers2026-10-08周四2 篇代码智能体大语言模型
2026-10-07周三2 篇AI 智能体基准测试
2026-10-03周六1 篇物理 AI
2026-10-02周五2 篇基准测试多模态模型
没有匹配的日报,换个关键词试试。