提出41K规模的MMOOC基准，联合评估多模态大模型的拒答能力与抗干扰鲁棒回答能力

首个联合评估四项能力的小时级流式视频基准，配合双层解耦的StreamMind架构

首个衡量 LLM 在固定预算下迭代优化智能体线束的基准，揭示了模型差异大于工具差异

提出评估智能体在长任务流中持续学习与技能演化的动态基准

逐步执行CAD操作并对比几何反馈，重建可编辑参数化程序

SWE-Touch 注入用户冲突编辑评测编码智能体共享工作空间的鲁棒性。

统一流式评估框架揭示自演化智能体收益受场景、模型与方法的共同制约。

把真实家庭改造成同步多模态录制棚，构建具身AI的长时程人-物交互数据引擎

用真实用户历史训练用户模拟器，对角色扮演智能体做人格对齐的自由多轮评测。

提出含1.2K基准与VAoT协议的See2Think框架，分离视觉状态效用与行为依赖。

提出多模态上下文学习三级能力评测基准，最强模型总分仅0.28

从42个基准的模型失败中归纳10项原子感知能力并构建3000题评测集

评测编码智能体在改代码前定位所需文件的能力，揭示检索无单一最优解

大规模自然驾驶基准，把车型/路线/情境混淆当作核心测量对象

从模糊需求出发、可向用户代理追问的480任务基准，测智能体从零构建可运行仓库的真本事

首个由盲人实拍、覆盖主动提醒/问答/交互三大任务的在线视频评测基准

首个连续第一人称视频主动协助基准 EgoServe 与训练免记忆增强智能体 EgoMemo

要求视频问答模型同时输出答案、时间片段与密集跟踪分割掩膜三类证据

首个大规模中文精神科诊断基准，通过多智能体框架评估LLM在精神科咨询和诊断中的能力

首个多主体共享记忆治理基准，综合评估记忆代理的效用、访问控制和主动遗忘能力。