每日 AI 评测速递来啦（12.3）

司南·Daily Benchmark 专区今日上新！

VideoScience-Bench

一个专门用于评估视频模型本科水平科学理解能力的基准。该基准包含 200 条精心筛选的提示，覆盖 14 个主题、103 个物理和化学概念。

https://hub.opencompass.org.cn/daily-benchmark-detail/2512%2002942

RULER-Bench

一个从认知规则角度评估视频生成模型推理能力的基准。 基于两大基本范式：文本到视频（T2V）和图像到视频（I2V），涵盖 6 类规则的 40 个代表性任务，共 622 个高质量标注实例。

https://hub.opencompass.org.cn/daily-benchmark-detail/2512%2002622

SEER-Bench

一个用于评估连续具身任务中智能体空间理解与推理能力的基准。它涵盖两类经典任务：具身问答（EQA）和具身多模态导航（EMN）。

https://hub.opencompass.org.cn/daily-benchmark-detail/2512%2002458

ReMindView-Bench

一个认知科学驱动的基准，用于评估 VLM 在多视角下如何构建、对齐并维护空间心理模型。该基准通过系统化调整视角空间模式和查询类型，从而探测空间认知的关键因素。

https://hub.opencompass.org.cn/daily-benchmark-detail/2512%2002340

PAI-Bench

一个统一且全面的基准，用于评估视频生成、条件视频生成及视频理解中的感知与预测能力。PAI-Bench 包含 2,808 个真实世界场景案例，并设计了与任务对齐的评测指标，以量化物理合理性及领域特定推理能力。

https://hub.opencompass.org.cn/daily-benchmark-detail/2512%2001989

OPOR-BENCH

一个以事件为中心的危机舆情数据集，涵盖 463 个危机事件及其相关新闻、社交媒体帖子和参考摘要，用于支持自动化在线舆情报告生成任务的研究与评测。

https://hub.opencompass.org.cn/daily-benchmark-detail/2512%2001896