阿里高德發布SpatialGenEval文生圖基準
阿里巴巴高德團隊推出SpatialGenEval，一個針對文生圖模型空間智能的全面基準，已被ICLR 2026錄用。它使用長文本、高資訊密度提示詞，評估空間感知、推理與互動的10大維度，涵蓋25個真實應用場景。對23個SOTA模型的測試顯示當前文生圖能力仍有重大缺陷。
Search
Tag: #benchmark195 results
GPT o3 以92.9% 正確率通過獸醫國家考試
OpenAI 的 GPT 模型通過日本獸醫國家考試。「o3」模型達到 92.9% 正確率。即使未經提示最佳化，在日文原題上也表現出色。
BotzoneBench：可擴展 LLM 遊戲評估
BotzoneBench 提供可擴展框架，利用固定技能校準遊戲 AI 階層評估 LLM 在遊戲中的策略推理能力。它避免 LLM 對戰賽的二次方成本與不穩定性，提供絕對線性時間測量。在八種多樣遊戲中，評估來自五個旗艦模型的 177,047 個狀態-動作對，突顯性能差距。
多數 Agent 呼叫其實不需要 Frontier Model
LangChain 在 145 個 agent 任務上測試 NVIDIA NeMo Switchyard，發現只有 7% 的互動回合需要 frontier model。智慧路由可降低 74% 成本，但需承擔六個百分點的準確率取捨。
C4 測試 MLLM 的創意解碼能力
研究人員推出受認知科學啟發的 C4 框架，用於評估多模態大型語言模型解碼非直觀概念關係的能力。其 C4-Eval 基準包含 221 道跨概念成語題目，結果顯示頂尖閉源模型的主要準確率最高僅達 50.7%。
中國頂尖桌面 AI 智能體橫向評測
針對中國三大桌面 AI 智能體（豆包、WorkBuddy、QoderWork）進行橫向評測，從本地電腦操控、資訊整合、跨設備連接等 8 個關鍵維度進行分析。
🔬
尋求發布建築 BIM AI 基準測試的學術發表平台
一家機器學習新創公司正在尋找合適的研討會，以發表其最新的建築 BIM（建築資訊模型）基準測試。該數據集包含專業級的項目級工程量清單，並納入了 GPT、Kimi 等多種大型語言模型的效能比較。
🎵
CPU TTS 基準測試：Kokoro、Supertonic、Inflect-Nano 與 Pocket TTS
一份針對小型 TTS 模型進行的全面 CPU 基準測試，採用 UTMOS MOS 評分。分析重點介紹了 Kyutai 的 Pocket TTS 獨特的串流架構，以及不同推論後端之間的效能權衡。
MiniMax M3 手測：多模態推理能力實測
針對 MiniMax M3 模型進行實測，測試其在面對複雜的 Nvidia 簡報時的視覺推理能力。實測結果展示了該模型處理與理解高密度視覺資訊的能力。
Scale Labs 推出重構排行榜
Scale Labs 推出重構排行榜。它聚焦 AI 程式碼代理在重構複雜程式碼庫的能力。此基準測試評估程式碼重構任務表現。