用200名真实用户500天可穿戴数据出4084道10选1题，14个大模型最高仅72.9%

280个难度分级任务系统诊断VLA模型：复杂空间与长程操作下最强模型成功率也跌至22.3%

提出L0–L4递退监督阶梯，沿奖励与经验双轴梳理LRM超越人类监督的方法、风险与评测。

PRISK框架系统评测13个LLM，量化个性化带来的无关注入、偏好窄化与谄媚三大隐性代价

偏好线索藏在工具返回或需自行推断时，模型暗中跟随偏好而不在思维链声明的比例显著升高

视频模型能生成合理的单条未来，却难以复现同一条件下可能未来的正确分布。

首个系统评测视频指令遵循的基准：20余模型中最强者仅得54.5分

用千级细粒度概念库与组合式密集监督，刷新图像编辑SOTA并压缩训练样本需求1.5倍。

首个贯通游戏生成、缺陷修复与多轮优化的编码智能体全生命周期游戏开发评测基准

以先验知识固定交互路径并逆向改造网络视频，系统评测全模态大模型的实时视频助手能力。

分层智能体评测流水线把世界模型评分变成可审计的证据树，判断与人类高度一致

把多参考图像生成拆成锚定、解缠、绑定、组合四个算子，构建约1600例基准并定位失败根源

用私有审计真值图构建企业QA基准，专考语料中从未明说的组织关系推理

把机器人执行视频转成进度曲线，用 OPD 指标体系细粒度评估具身模型的过程能力

让智能体递归优化自身设计Harness，40分钟自动产出人类偏好最高的学术海报

首个评测LLM移动助手跨应用检索分散个人信息的基准，最强模型准确率仅57.3%

首个60学科专家标注的科学视频生成基准，揭示“看着逼真”不等于“机理正确”

用语义关系蒸馏与几何变换对齐，让视频扩散模型生成与可见场景一致的镜面反射

5个嵌入裁判+Borda投票,评测17个视频语言模型对90秒电影片段的段落级描述

跨平台 CUA 轨迹评测基准揭示 VLM 判官普遍的宽容偏差，并开源低成本奖励模型弥合成本鸿沟。