真实世界基准测试 LLM-DailyDigest 2026-09-13 2026-09-13 约 100 字 预计阅读 1 分钟 真实世界基准测试 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 3 SWE-Serve：生产级推理服务智能体工程评测基准 09-23 GameLogicBench：以逐帧状态断言评测游戏逻辑编程智能体 09-21 ProgramDistill：从交互式 Web 应用生成可验证软件工程任务 09-17 具身基础模型 1 GPT-6-Astra具身智能评测：具备能力但尚未达到实用门槛 10-20 具身智能评测 1 DeepInsight II：从基准到真实机器人的统一评测轨迹 08-18 医疗人工智能评测 2 Synthetic Hospital：开放、可验证且经医生验证的纵向 EHR 基准 09-25 WearableQA：真实世界可穿戴数据健康推理基准 09-11 发现能力评测 1 Apodex Discovery：面向真实发现任务的AI评测环境 08-18 城市导航 1 UrbanGround：真实尺度城市中的空间能动性评测 08-29 安全评测 2 Agent Arena对齐榜更新：Beam 1.0登顶美国开源模型 10-18 RT-SAFE：实时具身智能体安全评测基准 10-08 智能体评测 16 VibeVideoBench：代码驱动视频生成的多模态智能体评测 10-29 GenXR-Bench：交互式 XR 开发的编程智能体评测基准 10-22 OR-License：现实世界运筹学智能体评测基准 10-21 FLARE：退化观测下配电网恢复智能体的物理约束评测 10-19 FDE-Gym：评测 AI 客户交付“最后一公里” 10-18 嵌入式软件开发智能体闭环评测基准 10-10 Arena 融资 2 亿美元并发布智能体 Alignment Index 10-09 InterviewPlayground：AI 访谈员仿真评测环境 10-09 LMBuild：评估 LLM 智能体生成可构建功能结构的能力 10-08 GeoNatureAgent：地理空间与环境工具智能体的预部署评测框架 10-08 DoGBench：面向用户的软件文档生成智能体评测基准 10-01 TraceDance：从真实部署轨迹自动构建智能体行为基准 09-30 FromPitch2Board：长程足球管理智能体评测基准 09-30 DrivingBench实测大模型驾驶丰田卡罗拉 09-28 Era by Eon：企业智能体隐性知识评测基准 09-25 FDE-Bench：LLM 智能体部署环境配置评测基准 09-24 模型评测 1 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 科研评测 1 Quant-Arena：量化交易研究智能体评测基准 10-22 评测基准 5 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 OSynth：面向纵向上下文的会议理解评测 10-22 RoboColiseum具身评测：Opus 5.5综合领先，精细操作仍是短板 10-21 HardEval：面向安全加固与合规修复的执行验证基准 10-19 AI 加密货币交易：从回测到真实市场的性能差距 09-30 评测审计 1 AI 时间跨度估计与 METR 指标效度分析 10-09 过程评测 1 LiveMACE：演化市场中的智能体过程感知评估 10-20
