首次系统性揭示代码混合查询使现代检索器全面退化的鲁棒性瓶颈

首个基于ART认知分类法评估MLLM视觉空间推理能力的合成基准，揭示人类与模型间30+个百分点的能力鸿沟。

用LLM三模块流水线按需生成1040个agent评测环境，成本降13800倍

首个衡量模型能否「在没人点拨时自发识别问题本质」的基准；223个博弈论知识工作场景，最强模型仅27.9%通过。

提出分层多模态智能体框架，把 AIGC 工具作为一等动作协调生成风格一致的网页。

用LLM模拟100个职业场景，跨10大行业测评15个前沿智能体的鲁棒性与行业专长。

用轻量级BERT模型替代词汇方法，高效评估LLM答案正确性

提出LARYBench基准，评估潜在动作表示在语义理解和机器人控制两个维度上的能力

用彩色网格转录任务暴露 VLM 从视觉编码到语言输出间的表征-表达鸿沟。

22个任务/285子任务评估大模型在三维构造、全局约束和长时序规划上的空间能力。

评估统一数字智能体在复杂任务中组合视觉、搜索和编码能力的基准测试

NVIDIA 为推测解码算法提供兼顾语义多样性与生产级吞吐评估的统一基准

首个 UMM 统一代码库，标准化 15 个模型的评估与后训练，揭示架构统一≠表征统一。

构建405道自然科学实验预测任务，揭示LLM在实验结果预测与可靠性校准上的双重缺陷

用 3021 道菜、5.27 张/菜的多视角图,系统评测 29 个视觉语言模型在精细分类、营养估计与饮食 VQA 三大任务上的真实能力。

基于宝可梦Z-A的3D长视距VLM基准，揭示当前视觉语言模型的物理死锁恢复瓶颈。

构建跨文化基准评估VLM从图像推断文物元信息能力。

提出三级层次和组基评估的视频理解基准，揭示SOTA模型与人类差距

首次系统评估LLM代理在现实场景中使用技能的效果，发现技能收益脆弱，查询特定精炼可恢复性能

提出双轴（动作×对象）改写基准 LIBERO-Para 与组合指标 PRIDE，系统揭示 VLA 模型在数据稀缺微调后对同义改写的系统性崩溃。