提出SpecBench基准测试，量化AI编码代理的奖励黑客现象

覆盖三类视频的 AI 伪影分层基准,揭示 MLLM 感知根本缺陷

首个多镜头音视频生成基准，含自适应混合评估框架与人类判断一致性达91.5%。

提出首个要求主动探索的空间智能基准，揭示行动选择比感知能力更重要

提出八套共3993题的分层金融基准，揭示传统公开榜单已饱和但新型专业任务仍有显著区分度。

在真实 ShadowHand 上构建德州扑克基准，联合评估灵巧操作、感知与闭环决策。

评估大模型在流体力学/固体力学/材料/PDE四域能否通过多轮对话澄清科学任务。

PROOFGRID 基准用机器可检验的证明代替最终答案来评测 24 个 LLM 的真实演绎推理能力。

60个真实长任务，在容器化CLI智能体中评估前沿多模态大模型。

首个无提示视频潜台词理解基准，揭示前沿多模态模型在讽刺、反讽与社会含义上的系统短板

用 756 张手绘 Jordan 曲线图测试 VLM 的视觉拓扑层级推理能力。

首个聚焦目标感知表示的多模态表格学习基准(40数据集)

剖析工业智能体竞赛的评测设计，揭示排行榜饱和、公私榜失配与评分公式脆弱性

提出 VAB 基准：把美学判断改为同主题集合比较，揭示前沿模型距人类专家仍有 42.4 点巨大差距。

首个 ICU 时序临床决策基准，用事后标注揭示 LLM 在长程推理中的两大失效模式。

用评估技能+六阶段流水线让 Claude 自动为任意 agent 生成可执行的评估代码

提出CAFE基准，用反事实属性编辑诊断可提示分割模型是否真正语义对齐。

提出 CUActSpot 基准与渲染式数据合成流水线，揭示任务多样性优于单模态数据规模化。

提出渐进式模态迁移基准与盲训练控制，揭示多模态推理的视觉变量接地瓶颈与 RL 视觉虚假提升。

数学家新创作的439道研究级数学题，前沿模型最高仅30.4%