美團 Meeseeks 橫空出世：AI 模型「聽話」能力大考驗，誰能通過終極挑戰？
AI 總是不夠「聽話」？美團發布全新指令遵循評測基準 Meeseeks，透過獨特的多輪糾錯機制，深度評估 AI 模型是否能真正理解並執行複雜指令。本文將帶您深入了解 Meeseeks 的三層評測框架、技術原理，以及它為何對 AI 發展至關重要。
29 月
主題選讀
#Benchmark
關於 Benchmark 的最新消息、技術解析與應用觀察。
主題文章
由新到舊，第 3 / 3 頁AI 程式碼能力大比拼：騰訊 AutoCodeBench 全面解析，揭曉最強 AI 模型！
AI 寫程式碼的能力越來越強，但我們如何知道誰才是真正的王者？騰訊混元推出的 AutoCodeBench 是一個全新、高難度的評測基準，涵蓋 20 種程式語言。本文將深入解析其技術原理，並揭曉 Claude 4、GPT-4 等頂尖模型在這場硬核測試中的真實表現。
AI 的「讀空氣」大賽：誰是聊天高手？最新社交能力排行榜出爐！
你以為 AI 只會寫程式、算數學嗎？錯了！最新的 LLM 社交能力基準測試，讓 AI 們在「淘汰賽」中一較高下，看誰最會說服、拉攏、甚至「搞政治」。結果出乎意料，快來看看你愛用的模型排第幾！
AI 終極大亂鬥：Design Arena 完整排行榜揭曉！不只設計，連網站建置、影音生成都開戰了
AI 界的競爭已進入白熱化階段！一個名為 Design Arena 的基準測試平台，正透過大規模的群眾投票，全面檢視各大 AI 在寫程式、建網站、生成圖像、影片乃至聲音等領域的真實實力。最新榜單顯示，Claude 在綜合實力上險勝 GPT-5，而 Midjourney 在影片生成領域簡直無 …
AI 情商大戰：2025 最新 EQ-Bench 榜單揭曉，誰才是最懂「人心」的語言模型？
AI 不再只是冰冷的機器。最新的 EQ-Bench 3 情商評測榜單出爐，結果可能讓你大吃一驚。本文將深入解析這份榜單，看看 Horizon-Alpha、Kimi、GPT-5 和 Gemini 等頂尖模型在「讀懂空氣」方面的真實表現，並探討為何情商正成為 AI 發展的下一個關鍵戰場。
TransBench 橫空出世：AI 翻譯不再霧裡看花，業界標準重磅登場！
AI 翻譯哪家強？別再憑感覺！首個工業級 AI 翻譯評測系統 TransBench 正式發布，從通用標準、電商特性到文化細節，全方位檢驗模型實力。GPT-4o 領跑，DeepL、Qwen 各顯神通，快來看看誰是翻譯界的真功夫！
AI 模型大亂鬥終結者？Google LMEval 讓「模型比武」更公平透明！
還在為比較不同 AI 模型性能而頭痛嗎？Google 推出的開源框架 LMEval，提供標準化評估流程，讓 GPT-4o、Claude 3.7 Sonnet 等頂尖模型的比較更加輕鬆、客觀。一起來看看這個評測神器有哪些厲害之處，以及它如何解決 AI 評估的痛點吧！
告別修 Bug 惡夢？ByteDance 推出 Multi-SWE-bench，AI 自動修復程式碼新里程碑！
還在為修復不同語言的程式碼 Bug 煩惱嗎？ByteDance 的多語言程式碼修復基準 Multi-SWE-bench 來了！看看它如何幫助大型語言模型更聰明地解決真實世界的開發難題，為程式設計師帶來曙光。
MMLU 測試揭露大型語言模型的真實實力與侷限
當今最先進的人工智慧模型是否真能與人類專家一較高下？MMLU（大規模多任務語言理解測試）為我們提供了答案。本文深入剖析這個涵蓋 57 個專業領域的嚴謹測試系統，揭示 AI 在跨學科知識應用上的現況與挑戰。