阿里斬獲國際AI頂會最佳資源論文獎，提出Agent評測新範式
阿里在國際AI頂會中斬獲最佳資源論文獎，並提出了一套全新的Agent評測範式，旨在解決當前AI代理評測標準的缺失。
Search
Tag: #benchmark195 results
騰訊混元 3 正式版表現強勁
騰訊混元 3 正式版獲得高分評價，其搜索能力已追平 GPT-5.5 標準。此次更新同時將幻覺率降低了 50%。
全球首份大語言模型安全防範能力測評報告於北京發布
《2026全球大語言模型安全防範能力測評報告》對全球38款主流大模型進行了科技類高風險場景的安全性評估。報告指出，儘管模型具備基礎拒答能力，但在場景偽裝與情感偽裝等複雜攻擊下，安全邊界仍面臨顯著挑戰。
DeFAb：用於 AI 可廢止溯因推理的驗證基準
DeFAb 是一個旨在測試基礎模型在「可廢止溯因推理」能力的全新基準，利用形式邏輯來評估模型的創造力與理論推理。研究顯示，現有頂尖模型在邏輯嚴謹性上表現不佳，相較於符號求解器，難以內化可廢止推理。
國產醫療AI在關鍵評測中超越GPT-5.5
一家中國國產醫療AI廠商成功突破行業「死循環」，在多項關鍵醫療評測中表現優異。據報導，該模型在特定的臨床診斷與醫療推理任務中，表現超越了GPT-5.5。
SpeechDx：臨床語音 AI 的綜合基準測試
SpeechDx 是一個全新的大規模基準測試，旨在標準化 12 個數據集和 27 項任務中臨床語音 AI 的評估。它根據語音產生階段對任務進行分類，幫助研究人員評估模型的泛化能力與臨床效用。
MemTrace：評估 LLM 長期記憶準確度的新基準
MemTrace 是一個新的基準測試，透過關注「知識點」而非單一問題來評估 LLM 的長期記憶。研究顯示，記憶失敗的主要原因在於對證據的利用不佳，而非檢索能力不足。
ToolSense：用於審計 LLM 工具知識的診斷框架
ToolSense 是一個新的開源診斷框架，用於評估大型語言模型 (LLM) 從大型目錄中檢索和理解工具的能力。研究揭示了「知識與檢索脫節」的現象，即模型在檢索基準測試中表現良好，但卻無法展現對工具的實際理解。
HiDream-O1-Image-1.5 登頂全球文生圖榜單
HiDream-O1-Image-1.5 在全球文生圖基準測試中取得頂尖表現，據稱超越了 Google 和 Nvidia 的主流模型。
跨維智能登頂 WorldArena 世界模型榜首
跨維智能 (Hyper-Dimension AI) 正式登上 WorldArena 評測榜首，標誌著世界模型領域的競爭格局發生重要變化。此成就突顯了該公司在空間智慧與環境模擬方面的領先地位。