意图、数据、时间全开放，用程序化否决项揪出金融智能体的静默失败

145个任务的统一3D创作基准，揭示参考保真与活动协调是编码智能体瓶颈

构建千例五域具身评测场，用GeoProbe与执行轨迹诊断十大VLM智能体的真实失败模式。

八项任务评测基因组模型的设计能力：平均效应预测强，情境与交互预测弱。

提出RETRACE框架首次系统量化CUA模型级恢复能力：恢复是解锁任务潜力的关键杠杆

外置共享工作台赋能任意编码代理，低成本完成TSF复现、基准测试与新方法开发

基于2.6万真实编码会话构建273个任务，检验编码智能体能否完整交付多模态改版需求

首个为流式视频理解引入ask动作的多轮基准，评估模型面对不确定性时何时提问、问什么、何时作答

SO-101数字孪生仿真基准：纯仿真训练系统真机排名零违约，LLM智能体83.2%登顶

把区块链资金追踪变成可机械验证的智能体任务并实测LLM取证能力

要求智能体沿利润表逐项引用证据、自底向上预测季度GAAP EPS的智能体基准

同一批74个任务由44种人设改写后，9个计算机使用智能体平均完成率从0.689跌至0.441

首个在元订单尺度测量生成式LOB模型市场冲击的基准，发现冲击涌现但形状过陡且不松弛

构建意图感知流式视频基准与模型，主动推断、追踪并适应不断演化的用户意图。

五级职业任务阶梯基准：最强智能体仅通过47.7%关卡，反馈修正中位增益5.3pp

用555个可执行契约任务，联合评测智能体的结果、轨迹、成本与合规

LLM 合成证书，按义务路由 SMT 快验、Lean 兜底，严格验证 77.1% 实例

构建真实Web深度搜索基准：200任务，最强模型仅39.0%，人类21.1%

首个让智能体在固定预算内自主设计评估器的基准，最好排序一致性75%仍低于91%天花板

167位母语者共创62社区文化谜语基准，前沿模型在最难社区准确率不超过22%