专题：benchmark

欧盟叫停‘Chat Control’法案，保护用户隐私；AI用于整理家族历史，构建个人百科全书；ARC-AGI-3评估AI代理的智能水平。文章涵盖政策、AI应用与技术评估，具有较高的技术参考价值。

AsgardBench是微软开源的视觉交互式规划AI评估工具，基于AI2-THOR模拟环境测试代理在动态场景中的适应能力。通过有限视觉反馈机制，揭示AI在复杂任务中的性能瓶颈，推动视觉grounding与规划技术发展，适用于研究与开发场景。

GroundedPlanBench 是面向机器人操作的空间接地长时程任务规划基准，评估模型在同一推理阶段同时生成动作与位置的能力。基于该基准，V2GP 框架通过将演示视频转化为带空间坐标的训练数据，实现规划与空间推理的端到端联合学习。实验表明，空间接地显著提升任务成功率和定位精度，相关代码与数据已开源。

该研究通过实证基准测试，对比了SQLite中实现标签功能的五种技术方案。结果显示，传统多对多表结构性能最佳，FTS5次之，LIKE查询表现意外良好，而JSON数组方案效率最低。该实验为开发者在构建标签系统时提供了可量化的性能依据，尤其适用于嵌入式应用与轻量级后端场景，兼具实用价值与工程指导意义。

本文对AI智能体技术进行全面评估，涵盖框架分析、基准测试和应用案例，为开发者提供实践指导与技术洞察。

Cursor推出CursorBench评测基准，强调真实任务与高效执行，与SWE-Bench等传统基准形成对比。评测方法结合线下标准化测试与线上用户反馈，旨在更准确地反映AI编程智能体的实际表现。

本文对 17 个本地 LLM 在真实项目管理工具调用任务上的性能进行了基准测试，对比了单次请求和智能循环两种执行模式。测试涵盖了不同难度的任务，并评估了模型在缺乏专门工具调用训练下的表现。结果表明，执行模式对模型性能影响巨大，为选择和优化本地 LLM 在实际应用中的工具调用能力提供了重要参考。

北京航空航天大学团队在ICLR 2026上提出Code2Bench框架，旨在解决大语言模型（LLM）代码生成评测中数据污染和测试严谨性不足导致的“高分幻觉”问题。该框架基于“双重扩展”哲学，通过动态获取GitHub最新代码（防污染）和引入基于属性的测试（PBT）及100%分支覆盖率（高严谨性），构建了一个更动态、真实、严苛且具诊断性的评测范式。Code2B…

本文汇总了2026年2月19日AI领域的多项技术更新，涵盖模型性能提升、基准测试进展、AI代理开发及硬件创新。重点包括Gemini 3.1 Pro的推理优化、Claude Opus 4.6的评估、SWE-bench等基准测试的动态，以及多个开源项目和工具的最新动向。

DocParse Arena 是一款开源自托管平台，帮助企业在本地环境中对特定文档（如自定义发票、韩文名片、复杂简历）进行 VLM 盲测，并通过私有 ELO 排行榜评估模型优劣。它支持本地模型安全接入、专业后处理插件、并行 PDF 拆分加速，以及一键 Docker 部署，适合对隐私和定制基准有高要求的场景。

香港大学与上海交大联合推出 AutoBio，一个专为生物实验室设计的 VLA 模型仿真与评测平台。该平台解决了现有研究中对专业科学场景（尤其是生物实验室）的 VLA 模型评估不足的问题。AutoBio 构建了高保真仿真环境，模拟了生物实验室特有的复杂操作和视觉挑战，并提供了一套标准化实验任务基准。评测结果揭示了当前主流 VLA 模型在处理高精度操作、细粒度…

Google DeepMind推出Gemini 3.1 Pro，12项基准测试中全面超越Claude和GPT-4。核心亮点包括多模态能力增强、推理效率提升和开发者支持全面升级。该模型在代码生成、数学推理和创意写作等场景表现优异，标志着AI大模型性能的新高度，为开发者提供更强大的工具支持。

谷歌发布Gemini 3.1 Pro，显著提升推理与编码能力，通过ARC-AGI 2和SWE-Bench测试验证。独立机构认可其性能与成本效益，尽管存在部分质疑，但整体获得业界高度评价。

多款AI模型更新，包括Claude Opus/Sonnet 4.6、Qwen 3.5、GLM-5及Gemini 3.1 Pro。重点在于智能指数提升、推理效率优化、开源模型权重及社区表现。技术报告和讨论揭示了模型在自主性、训练成本和性能上的进展。

OpenAI 与 Paradigm 联合发布 EVMbench，提供针对 AI 代理的智能合约漏洞检测、修复和利用能力的统一基准。工具收录 30+ 高危漏洞，支持多维度评分并开放 Docker 与 Python SDK，首批评测覆盖主流大模型，帮助安全团队快速评估 AI 在合约安全中的实际表现。

socOCRbench 是一个专为社会科学文档设计的OCR基准测试工具，旨在解决现有基准测试难以区分模型性能的问题。它聚焦于复杂实际场景，为研究者和开发者提供更贴近现实的评估标准，核心亮点在于其领域针对性和实际应用导向。

MMDeepResearch‑Bench（MMDR‑Bench）是由俄亥俄州立大学、Amazon Science 等联合发布的多模态深度研究代理评测基准。它提供 140 份覆盖 19 个领域的图像‑文本任务，要求模型在检索、读图、报告撰写全链路上实现证据可追溯、断言可对齐。评测框架包括 FLAE（长文质量）、TRACE（Claim‑URL 与视觉证据核验）…

WFGY 3.0 是面向本地大语言模型的调试与基准工具。它首先回顾了 WFGY 2.0 中的 16 种 RAG/基础设施失效模式，并通过“语义防火墙”在 Prompt 层实现自检，无需改动底层系统。随后发布的 131 题张力基准包（Q001‑Q131）提供高约束、含数学结构的长链推理任务，并配套 v0.1 测试协议，帮助用户给模型打 0‑3 张力分数并标记…

Kreuzberg 开源文档智能框架发布 4.3.0 版本并推出全新对比基准。新版本加入 PaddleOCR Rust 后端、文档结构抽取以及原生 Word97 支持，显著提升中文 OCR、层级解析和遗留文档处理能力。基准测试表明其在速度、内存和冷启动等方面平均快 9 倍，依赖更少，适用于 AI 文档处理流水线。项目代码、基准工具和数据均已开源，欢迎社区贡…

Zhipu AI 推出 GLM-5，参数量达 7440 亿，集成 DeepSeek Sparse Attention 技术，性能在多个基准测试中领先，尤其适合办公场景，但受限于计算资源。