基准污染 LLM-DailyDigest 2026-08-12 2026-08-12 约 100 字 预计阅读 1 分钟 基准污染 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 2 Codoku：面向前沿编程智能体的可再生程序推理基准 09-30 薛定谔代码仓库：LLM 学会还是记住了 SWE-bench？ 09-25 创意重建 1 Reconstruction：从发表前参考文献盲重建研究创意 08-18 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 超越基准分数：胸片结核筛查视觉语言模型审计 09-21 协同测量 1 AI 编程智能体团队的协调测量 08-18 历史回测 1 科学问题发现的历史回测协议与天文学试点 08-18 基准优化 1 量化 ASR 模型的基准优化行为 08-21 学术论文写作 1 1947篇AI顶会论文揭示高质量论文写作法则 08-14 探针效度 1 探针方向由提示词决定，而非模型属性 08-16 智能体框架 1 Prime Agent 开源自我改进智能体框架 08-11 智能体评测 1 PatchBench：AI 智能体漏洞修复评测基准 09-07 模型评测 1 表格基础模型懂物理吗？数据污染、单位与确定性极限 09-03 科研评测 1 “爱因斯坦测试”：GPT-1900尝试重现突破性科学发现 09-19 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 评测基准 2 Uncheatable Eval：基于动态压缩的语言模型评测 09-24 CausalArena：基础模型时代的因果发现评测基准 09-11 评测审计 10 ALIAS：评估 LLM 生成 TLA+ 规范的性能与记忆效应 10-22 RTL 修复基准究竟测量了什么？ 10-21 RLVR 数学数据去污染的可靠性与成本评估 10-18 执行标签如何影响 Text-to-SQL 保形弃答风险认证 09-23 Copy Ceiling：本体 grounding 生成中的输入暴露控制 09-22 谬误检测基准测到的是论证模式识别，而非谬误识别 09-17 Terminal-Bench换榜引发谷歌、Meta刷榜争议 09-13 时间后置测试集仍无法消除预训练领域熟悉度 09-10 Molecular Déjà Vu：分子基准中的数字级记忆检索审计 09-07 Phantom Gains：用实测零基线审计模型自我改进 08-21 谜题评测 1 Pencil Puzzle Bench：可逐步验证的多步推理评测基准 08-14 重构评测 1 SWE-Bench ProMax：大规模多语言代码重构智能体基准 08-12
