RVCBench系统评测18个语音克隆模型的真实世界鲁棒性
语音克隆，也被称为零样本语音合成或说话人条件语音合成，目标是只凭几秒参考音频，就生成与目标说话人音色相近的任意内容语音。
RobotAgentBench全面评测机器人的开放世界能力
围绕这一问题，来自 Aether AI 和UC San Diego 的研究团队提出 RobotAgentBench:一个面向开放世界机器人自主能力的综合评测基准。
中文医疗大模型评测基准MedBench升级至5.0版本
据上海人工智能实验室消息，近日，中文医疗大模型评测基准MedBench升级至5.0版本。
Φ-Bench：能写代码的AI，能不能把自己家的电线管好？
你有没有想过一个挺古怪的问题：如果一个AI足够聪明，能帮人写代码、能推理数学题，它能不能反过来去修一修自己身上跑的那套系统？
会看图写代码通用 Agent能完成机器人操作吗？CodeActionBench发布
在双臂仿真评测中，GPT-6 Astra 的尝试成功率达到 73.3%，Claude Opus 5 在 Reference harness 和 Claude Code 下分别取得 49.3% 和 45.3%。
看懂不等于做对：VA-Bench测出大模型空间智能的执行断层
围绕这一点，我们提出了 VA-Bench，把空间智能放进一个完整的闭环:Observe → Reason → Act → Revise，即「观察 → 推理 → 行动 → 修正」。
Einsia AI发布Frontier3DBench：Agent离真实3D创作还有多远？
该基准横跨 Blender 与 Unreal Engine 两大工业级环境，涵盖 9 大类别、145 项任务，全面评测了 11 种主流前沿模型与 Agent 框架配置，从外观、结构与行为三个维度，系统性地勾勒出 Coding Agent 的 3D 创作能力边界。
如何评测大模型探索能力？复旦、混元发布新基准ExplorationBench
Claude Opus 5、GPT-5.6 Sol、Gemini 3.8 Flash、Grok 4.6、Kimi K3、Qwen3.8-Max、Hy4 preview 等 10 个前沿 AI 系统被放进去，只能靠自己写程序、做证明、看反馈，一点点摸索规则。
OpenAI挑战AI评测基准SWE-Bench Pro：约30%存在评测缺陷
IT之家 7 月 9 日消息，OpenAI 昨日（7 月 8 日）发布博文，挑战行业权威评测基准 SWE-Bench Pro，认为在 731 个公开测试任务中，约 30% 存在评测缺陷。
中文医疗大模型评测基准MedBench升级至5.0版本
据上海人工智能实验室消息，近日，中文医疗大模型评测基准MedBench升级至5.0版本。