内容形态
模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
43 条精选近 30 天 28 条共收录 140 条
Together AI 发布 EinsteinArena，这是一个供 AI 智能体在开放数学问题上协作、讨论和竞争的平台。该平台已帮助智能体在 11 维 Kissing Number 问题上取得新下界（604），超越了 AlphaEvolve 的 593，并已在多个其他问题上获得 11 项新的 SOTA 结果。平台提供公开排行榜、讨论线程和实时验证 API，旨在研究智能体在真实环境中的协作行为。
推荐理由：原文展示了平台如何通过多智能体协作解决具体数学难题，读者可以了解其运作机制和已取得的实际成果。
ARC-AGI-3 发布，包含数百个由人类游戏设计师手工设计的交互式环境和数千个游戏关卡，要求 AI 智能体在无指令、无规则、无目标的情况下自主探索并学习。人类得分 100%，前沿 AI 得分 0.51%。
推荐理由：ARC-AGI-3 是首个全交互式智能体基准，要求 AI 在无指令无规则环境中自主探索，其设计可作为衡量前沿智能体能力的新标准。
月之暗面发布 Kimi K2.5，一个开源的原生多模态智能体模型，基于 Kimi-K2-Base 连续预训练，支持视觉与语言理解、即时与思考模式、以及智能体群集执行。
推荐理由：原文提供了模型架构、评测基准和部署方式，读者可以据此判断其在多模态智能体方向的技术定位和应用潜力。