配对真实/反事实环境的科学定律发现基准，检验LLM智能体能否让证据压倒先验

基于343万版本化文档的股票研究基准，发现顶尖模型研究强、预测弱。

首个配对评测 CLI 智能体任务执行与人机协作质量的基准，暴露安全与可引导性短板

构造四域合成用户史与四选一探针，测出记忆系统归纳习惯仅约三成准确，且不优于简单检索

首个让通用智能体纯用代码从零产出带声完整视频的基准，最强系统严格成功率仅76.3%

1479交互、1790时间目标的基准，揭示12个全模态模型及时干预与持续辅助的短板

构建物理规则被改动的模拟世界，评测12个LLM无提示自主发现隐藏定律的能力

30个仿真定量实验要求智能体动手操作仪器来求知，最强前沿智能体T0成功率仅43.3%

多领域后训练数据策划基准：评测智能体能否让模型在五域同时持续进步

首个专利审查智能体框架：百万级语料上免标注合成检索轨迹，训练出4B强基线

双轨受控评测：固定环境考智能体、固定动作考世界模型，分离诊断耦合失败

用时间门控赛马回放基准分离LLM智能体的预测质量、修订增益与投注决策价值

区域→文本→区域的循环重构重叠作为免参考可验证奖励，让单一模型同时提升理解与定位

用轨迹正则化让编辑滑块平滑连续、互不干扰，总分提升18.5%且快3至20倍

原始历史+密集检索+重排的朴素RAG在7项设置中6项击败复杂智能体记忆系统

统一评测 T2V/I2V/V2V 代码生视频：2104 任务、17 项指标、15 个 MLLM

权限内文档联合推理即可泄露更高密级结论，良性查询即触发且简单防护无法杜绝

提出视频中心深度研究报告生成任务并构建OmniDR-Bench，最强智能体仅得63.3/100分

统一五大智能体领域的离线评测基准，最强VLM准确率仅58.5%

把AI视频检测拆解为检查规划、证据验证、证据聚合三能力，全程人类锚定监督