首个面向GDP业务工作流的智能体自我进化基准，用规则混合使测试增益可归因

提出音视频协同编辑评测基准AVE-Compass，并配套规划式智能体AVE-Agent。

365天电商模拟基准，揭示LLM智能体长期连贯性的巨大短板

评测个人智能体跨会话复用经验是否真正带来提升的归因基准

首个联合评测遥感类别广度与查询多样性的开放词汇基准

用2026世界杯104场比赛，细粒度评测大模型与智能体的赛前足球预测能力。

构建 7031 例带三阶段推理轨迹标注的医疗 VQA 基准，通过阶段替换干预定位幻觉根源。

提出可验证奖励、RTE机制和pass^k指标的多轮对话推荐评测基准

首个系统评测多模态模型视频记忆能力的认知心理学基准。

从fMRI脑信号直接回答视觉问题，并附NSD-VQA受控新基准。

WBench用289案例×5维度×22指标，对20款SOTA交互式世界模型做统一评测。

首个系统化的隐喻视频理解基准MetaphorVU-Bench与基于隐喻知识图谱的推理时增强框架MetaphorBoost

跨五个域系统研究模型生成技能全生命周期，揭示评估器能力与执行能力无关，并提出元技能显著提升技能质量。

提出GPR任务与MM-OCEAN基准，揭示MLLM 51%正确评分无证据支撑。

首个联合评测全模态感知、主动响应与多样化流式视频任务的基准。

审计152篇GFM论文,揭示领域评测乱象并提出六项改进建议

三阶段审计揭示物理VLM评测三大测量偏差，并发布干净语料+RL配方

首个统一对比长上下文LVLM与记忆增强代理的多模态长期记忆基准

提出二维评测矩阵与371题基准，专测多模态智能体能否在长程交互中保留并推理像素级视觉证据。

首个覆盖36类任务、融合结构化推理评分的图像编辑与奖励模型统一基准。