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

首个兼顾准确性与真实感的事件序列预测基准，揭示二者权衡并用BaryBooster转化SoTA精度

教学与实践交织的苏格拉底式指导让智能体技能迁移更准，专家监督成本降61.7%

提出PAPAV五能力框架，统一审视数字与物理智能体，揭示具身化改变了任务闭环中的什么

首个端到端量化研究基准：九个前沿LLM在A股密封2024年评估，无一跑赢等权市场

首个同时评测跨源冲突、时序冲突与不可回答性的多模态企业QA基准，最强模型仅68.0%

用可控对比组与独立验证的答案，暴露聚合分数掩盖的决策模型可靠性差距

将时空视频定位从描述式定位重构为长视频事件级推理，最强模型10分钟下仅5.4% m-vIoU

对19个VLM逐题配对分析发现：不少子任务上小模型反而比大模型更准

能力层+持久多模态记忆双机制，让MLLM在22个基准上平均提升9.7–12.6分

用368万美元真实运筹项目建基准：11个前沿模型无一达到专家交付水平

构建含隐性规则漂移的交互式评测基准，揭示 LLM 智能体主动探索与假设修正能力的短板

首个223任务的Blender三维创作基准，冠军模型完整通过率仅42.2%

首个覆盖四维能力的仿真-现实细粒度基准，系统诊断机器人价值模型的反馈可靠性

从源隐变量出发的流匹配模型，把视频文字去除变成迭代修正，并发布1631段配对基准。

规则程序裁决动作结果并维护隐藏状态，冻结视频模型只负责渲染，规则遵循率从32%提升到92%

把产线约束变成可控评测变量，五个VLA仿真全零分，工业数据共训练提升真机迁移

基于真实支付业务的可执行基准，用确定性检查同时评估任务完成与全程执行合规。

把职业组织建成持续运转的生成式模拟，让任务、上下文与评审从真实工作中自然涌现

把假设研发过程变成递归自我改进循环，假设质量从4.86升至5.39