动态基准测试 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 动态基准测试 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 代码评测 5 P2NPCBench：对抗重写下的 P 与 NP 完全问题配对评测 10-22 Codoku：面向前沿编程智能体的可再生程序推理基准 09-30 SecProbe：面向网络安全漏洞的编程智能体自适应评测 09-29 薛定谔代码仓库：LLM 学会还是记住了 SWE-bench？ 09-25 SWE-Flux：仓库级代码运行时推理基准 09-24 动态审查 1 MCR-Bench：真实多轮代码审查动态基准 08-28 医疗人工智能评测 2 BRIE：面向电子健康记录检索的动态评测基准 09-25 医疗大模型研究的评测差距持续扩大（2023—2026） 09-11 协同演化 1 Environment Duels：LLM 环境创作与求解的协同演化评测 10-22 博弈评测 1 Game Arena：竞争环境中的大模型战略能力评测 09-28 多智能体协作风险 1 SwarmReconGuard：分布式群体侦察黑盒检测基准 10-08 安全评测 2 攻击者离开后：LLM 智能体延续攻击评测 10-21 SEABench：自进化智能体内生失配评测基准 09-30 推理评测 2 EnigmaForge：问题隐藏在故事中的逻辑推理评测 09-25 GPT-6 Astra补全FrontierMath Tier 4最后一道未解题 09-11 数学推理 1 GPT-6 Astra攻破FrontierMath Tier 4最后未解题 09-13 数据合成 1 AutoDataBench：评测智能体能否生成自我改进所需数据 09-30 智能体框架 1 联想TianxiCode登顶SWE-bench-Live Lite榜单 10-10 智能体评测 7 Gym-Anything-RT：视觉语言智能体实时交互评测基准 10-29 风险感知自适应评测：有限预算下发现高影响故障 10-01 TraceDance：从真实部署轨迹自动构建智能体行为基准 09-30 WebPageBench：基于事件验证与可控 UI 变体的网页智能体评测 09-30 DynGraphAgentBench：动态图异常检测的智能体生命周期控制基准 09-29 WebMRE：多模态 Web 智能体中指南与动作的相互强化 09-24 面向实时数据科学任务的技能型智能体评测 09-16 框架演化 2 CMAS：非平稳环境下的保守元智能体架构适应 10-23 MetaBench-Harness：端到端演化基准生成框架 09-29 模型评测 4 SkillEval：基于认知诊断的可解释能力画像评测 10-22 跨厂商与版本的低成本模型行为测量 09-25 SEEK：面向工业搜索的技能路由与可演化知识评估 09-25 B站上线AI无限竞技场，百款大模型接受真实场景测评 09-17 视觉推理 1 AI在门萨图形推理测试中触及151分理论上限 09-26 记忆能力评测 1 超越下游问答：重新评估智能体记忆 10-18 评测基准 17 LiveSearch：以可执行验证代码构建金融搜索智能体实时评测基准 10-29 EvoBench：面向环境建模的演化诊断评测框架 10-27 NorRegel：挪威法律时效数值预注册评测基准 10-22 DecisionPivot：LLM 决策模型诊断评测基准 10-21 DeclineCraft：联合评测检索与参数知识的 RAG 拒答基准 10-21 Gemini 4 Argon 在 ARC-AGI-3 Verified 评测中得分 97.5% 10-18 AutoSciBench：自主生成并迭代适配科学智能体评测基准 10-08 AI 评测生态系统：基准设计与参与者动态 10-08 AraDynFact：阿拉伯语事实知识动态评测框架 09-30 SymbolicArena：符号回归基准蒸馏与动态评测基础设施 09-30 PotARCin：抽象推理技能习得的多维评测基准 09-24 Uncheatable Eval：基于动态压缩的语言模型评测 09-24 Endless Exam：面向超级智能的数学构造评测基准 09-22 GPT-6近满分触发ARC-AGI评测重构，下一代转向开放式发明 09-17 TeleAntiFraud 2.0：可刷新、画像驱动的音频电信诈骗检测基准 09-17 Benchmark Radar：AI 基准测试动态数据库与搜索引擎 09-15 Last Translation Benchmark：机器翻译极限评测基准 09-07 评测基准构建 1 BTS-AgentBench：从只读遥测日志构建可复现智能体基准 08-28 评测审计 6 SANE：面向 LLM 评判器的自动化特定评分器蜕变测试 10-22 基准是难度分布上的经验测度 10-22 更优策略反而导致更差的验证器审计 10-22 模型迭代削弱 AI 辅助科学写作检测可靠性 10-10 Terminal-Bench换榜引发谷歌、Meta刷榜争议 09-13 同一模型跨版本跑分暴跌，厂商自建基准可信度受质疑 09-13 评测编排 1 HarnessEval：以可执行 Harness 重构 Benchmark 08-19 过程评测 1 LiveMACE：演化市场中的过程感知智能体能力评测 10-08 闭环自进化 1 生成式对抗循环：自动设定基准并发现算法 10-10
