<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[OpenCompass的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/OpenCompass</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; OpenCompass]]></copyright><item><title><![CDATA[头部模型竞争胶着，能力均衡性成制胜关键丨多模态模型5月最新榜单揭晓]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/161901943</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/161901943</guid><author>OpenCompass</author><pubDate>Thu, 11 Jun 2026 20:47:07 +0800</pubDate><description><![CDATA[多模态推理维度中，SenseNova-6-7-Flash-Alpha 以 86.9 分位列第一，GPT-5.5（high）以 86.2 分位列第二，Qwen3.7-Plus 以 84.4 分位列第三，Gemini-3.1-Pro-Preview 与 Qwen3.5-397B-A17B 分别以 83.8 分和 82.5 分位列第四、第五。它在通用感知维度以 73.0 分位列第一，在信息图形感知维度以 80.0 分位列第二，在多模态推理维度也达到 82.5 分，展现出非常均衡的综合能力。]]></description><category></category></item><item><title><![CDATA[GPT领跑，头部模型“错位竞争”，强Agent能力成下一战场丨大语言模型4月最新榜单揭晓]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/161075398</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/161075398</guid><author>OpenCompass</author><pubDate>Thu, 14 May 2026 11:15:16 +0800</pubDate><description><![CDATA[大模型技术在全球范围内加速演进，智能体能力不断深化，从多步执行走向多智能体协同，从辅助工具走向独立执行者，开始在跨平台、跨应用的真实场景中端到端地完成任务；推理能力在数学、科学等高难度任务上持续突破，可靠性进一步提升。模型的自进化能力亦在涌现，能够在执行中主动调整策略并迭代优化。长线程任务能力的增强，让模型得以在大型工程中稳步推进，承担起高度复杂的生产力任务。司南持续关注全球大模型发展动态，]]></description><category></category></item><item><title><![CDATA[GenEditEvalKit：把图像生成评测的 “麻烦事”，一次性解决了]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/160549480</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/160549480</guid><author>OpenCompass</author><pubDate>Mon, 27 Apr 2026 11:35:05 +0800</pubDate><description><![CDATA[从事图像生成与编辑模型研发的小伙伴们，你们是否也经历过「评测」这些“麻烦事”：新模型刚完成迭代，想跑几个主流 benchmark 验证效果，却要为每一组「模型 × benchmark」单独写一套适配脚本；不同 benchmark 的环境依赖互相打架，配环境配到深夜；想并行跑多个任务提升效率，又要花大量精力改写调度逻辑；好不容易跑完所有任务，生成的图像、评测指标、运行日志散落在各个文件夹，想做一次横向对比，要翻遍整个磁盘目录。上述这些“麻烦事”，来自上海人工智能实验室的研究团队在研发。]]></description><category></category></item><item><title><![CDATA[OpenClaw大考！WildClawBench用60道题，把 “龙虾”AI打回原形]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/160141547</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/160141547</guid><author>OpenCompass</author><pubDate>Tue, 14 Apr 2026 11:35:34 +0800</pubDate><description><![CDATA[最近几个月，越来越多的开发者开始“养龙虾”：给它加技能、写记忆、调人格，希望它能帮自己处理现实任务。但面对日常工作和生活场景，我们养的“龙虾”，真的可以端到端把事情做完吗？它的“大脑”该用哪个模型，效果最好、性价比最高？这恐怕是所有“养虾”用户都关心的问题。而回看过去一年的各类 Agent Benchmark，大多仍聚焦在“单点能力”的评测，但真实任务更像一场长跑：AI 需要跨模态理解信息，在动态环境中选择工具，并不断处理意料之外的错误。真正关键的，不是某一步是否正确，而是能否完成端到端的闭环交付。为填补这]]></description><category></category></item><item><title><![CDATA[Gemini-3.1-Pro-Preview登顶，国产模型表现亮眼丨多模态模型2月最新榜单揭晓]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/158977143</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/158977143</guid><author>OpenCompass</author><pubDate>Thu, 12 Mar 2026 20:44:54 +0800</pubDate><description><![CDATA[值得注意的是，开源模型 Ovis2.6-30B-A3B 以 54.37 分排名第五，Step3-VL-10B 以 51.88 分排名第六，两者均为参数量相对较小的开源模型（30B 和 10B），却在推理维度超越了多款大参数闭源模型，这表明推理能力的提升并不完全依赖于参数规模的扩展。Claude-Opus-4-6 以 91.97 分夺冠，Kimi-k2.5（90.05 分）和 SenseNova-V6-5-Pro（89.67 分）分列第二、三名，三者在 2.3 分的极窄区间内展开了激烈角逐。]]></description><category></category></item><item><title><![CDATA[Gemini-3-Pro-Preview登顶，大模型迈入Agent元年丨大语言模型1月最新榜单揭晓]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/158010899</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/158010899</guid><author>OpenCompass</author><pubDate>Thu, 12 Feb 2026 18:25:11 +0800</pubDate><description><![CDATA[进入 2026 年，全球大模型技术持续加速演进，新一轮模型发布不断刷新能力边界。行业关注重点从基础能力指标，转向模型在真实复杂场景中的综合表现。各类模型持续强化智能体相关能力，在编程、推理、工具调用与信息检索等关键方向不断提升，全面增强解决实际问题的能力。与此同时，中国大模型在全球舞台上持续受到关注，越来越多模型在海外社区引发热议，展现出中国在大模型日益增强的技术实力与创新活力。司南持续关注大模型的发展动态，近期针对国内外主流大语言模型进行了全面评测，现公布！]]></description><category></category></item><item><title><![CDATA[当模型开始“记住”评测，如何用动态数据对抗污染？（上篇）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/157550748</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/157550748</guid><author>OpenCompass</author><pubDate>Fri, 30 Jan 2026 16:23:16 +0800</pubDate><description><![CDATA[无论是安全评测、通用能力评测，还是面向科学推理的专业基准，一次性构建的静态数据集都难以在模型快速迭代的背景下长期保持区分力。模型可能并非真正理解了问题，而是学会了如何应对固定测试。因此，来自尝试从“数据层”出发，探索一种能够持续更新、对抗数据污染的动态评测路径。]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.23）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/157298186</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/157298186</guid><author>OpenCompass</author><pubDate>Fri, 23 Jan 2026 19:10:13 +0800</pubDate><description><![CDATA[一个面向生成科研综述的全新评测基准，旨在全面评估生成综述的学术价值，主要从三大维度进行评估：信息价值、学术交流价值和研究指导价值。一个用于系统评估视觉-语言模型任务进度推理能力的基准，关注模型在局部观测下对长时序任务推进程度的判断能力。一个面向高分辨率图像质量评估场景下，细粒度局部退化分析的开创性评测基准。司南·Daily Benchmark 专区今日上新！]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.22）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/157259767</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/157259767</guid><author>OpenCompass</author><pubDate>Thu, 22 Jan 2026 18:56:28 +0800</pubDate><description><![CDATA[一个基于高质量计算机科学论文审稿-回复问答的大规模细粒度问答基准，用于评估模型在学术情境下理解并回答为什么（why）、什么（what）、如何（how）类问题的能力。一个面向真实电商场景的实时、全面且具有挑战性的时尚图像检索基准，包含来自真实线上电商网站的最新商品图像以及AI 生成的时尚图像。首个面向文本主题分类的多语言开放集学习与发现基准，包含来自 12 种语言的 96 万条数据样本。司南·Daily Benchmark 专区今日上新！]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.21）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/157219355</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/157219355</guid><author>OpenCompass</author><pubDate>Wed, 21 Jan 2026 17:22:25 +0800</pubDate><description><![CDATA[一个面向深度研究智能体的多模态基准，包含来自 21 个领域的 140 个专家设计任务，每个任务提供图文组合，用于评估模型的多模态理解能力以及基于引用的报告生成能力。一个用于评估真实软件开发中领域专化方法的新型基准，涵盖 6 个新兴领域，包含 11 个软件框架和 25 个项目，配备了精心构建的知识语料库，并提供多粒度评测任务。一个跨文化推理基准，包含 4,900 条平行句子和 1,098 个独特的文化特定项目，覆盖三类不同的推理任务，并配套相应的评测指标。司南·Daily Benchmark 专区今日上新！]]></description><category></category></item><item><title><![CDATA[从短期交易到长期配置：覆盖11个行业的大模型投资顾问评测丨金融评测]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/157173294</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/157173294</guid><author>OpenCompass</author><pubDate>Wed, 21 Jan 2026 10:37:30 +0800</pubDate><description><![CDATA[相比之下，稳定的行业，如消费防御型、能源和公用事业行业，则表现出相对高的预测得分，这得益于其需求弹性较低、监管透明，并且与宏观经济的强相关性。收集了 110 支各行业代表公司的股票的历史数据，包含经典的开盘价、收盘价、最高价、最低价、交易量，为大模型提供了最基础的预测数据。搜集网络上与每只股票相关的新闻，提供外部的市场信息，反映宏观市场中对股票的看法，助力大模型理解市场现状，做出与当前更相符的判断。评价短、中、长三个时段的价格预测能力，为短期、中期、长期持有的投资策略者提供有针对性的参考。]]></description><category></category></item><item><title><![CDATA[会背书 ≠ 懂生命！LifeOmni榜单揭示大模型生命科学实战短板 | 生命科学评测]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/157172562</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/157172562</guid><author>OpenCompass</author><pubDate>Tue, 20 Jan 2026 10:47:15 +0800</pubDate><description><![CDATA[全员“行动力”匮乏： 观察榜单可以发现，绝大多数模型在 Domain Literacy（专业素养）上的得分都在 0.7-0.8 甚至更高，但在 Agent Ability（智能体能力）的 Action Accuracy（行动准确率）上，却断崖式下跌至 0.3 以下。然而，当我们将这些通用模型从简单的知识考试引入真实的科研探索与临床决策场景时，一个被长期掩盖的真相逐渐浮出水面：高分的理论知识储备，并不等同于合格的科学实践能力。Kimi-K2 同样在保持高推理能力的同时，守住了 0.920 的安全高分。]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.19）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/157140611</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/157140611</guid><author>OpenCompass</author><pubDate>Mon, 19 Jan 2026 18:21:57 +0800</pubDate><description><![CDATA[一个专门面向人体姿态编辑的评测基准，包含来自 17 个最先进编辑模型的 1,700 个标准化样本，并同时提供真实性标注与多维度质量评分，从而支持更全面的评估。首个标准化、公开可用的吴语语音处理评测基准，系统覆盖了自动语音识别、吴语到普通话翻译、说话人属性预测、语音情感识别、语音合成以及指令驱动语音合成等多项任务。一个用于评估智能体规划能力的综合性基准，面向空间规划问题这一类高风险任务。司南·Daily Benchmark 专区今日上新！]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.15）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/156991952</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/156991952</guid><author>OpenCompass</author><pubDate>Thu, 15 Jan 2026 19:08:07 +0800</pubDate><description><![CDATA[旨在全面评估当前最先进的 MLLMs 在全景式胃肠道内镜临床流程中的表现，并分析其相对于人类内镜医师的临床实用价值。超高分辨率推理基准，用于评估 MLLMs 在极端高视觉信息密度场景下的推理能力。一个围绕通用性、可量化性与可靠性三大核心原则构建的幻灯片生成评测基准。2025 司南年度最受欢迎评测集评选活动正式火热进行中~司南·Daily Benchmark 专区今日上新！，让真正有价值的评测工作被更多人看见。]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.14）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/156952850</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/156952850</guid><author>OpenCompass</author><pubDate>Wed, 14 Jan 2026 20:29:39 +0800</pubDate><description><![CDATA[首个面向智能体场景的多模态成对情境完整性评测基准， 由源自同一视觉输入的正负样本对构成，并在三个层级展开：规范性的 Seed 判断、富上下文的 Story 推理，以及可执行的智能体行为 Trace。一个面向混合动机博弈的多阶段评测基准，并配套引入了一套过程感知的评估框架，可在以下三个模块上开展协同分析：行为轨迹分析；一个轻量级的并行问题评测基准，用于评估大语言模型在 32 种语言上的语言强制行为，从而支持对多语言 steering 方法进行系统化比较。，让真正有价值的评测工作被更多人看见。]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.13）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/156911361</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/156911361</guid><author>OpenCompass</author><pubDate>Tue, 13 Jan 2026 19:07:56 +0800</pubDate><description><![CDATA[多轮多模态上下文安全评测基准，基于真实图像与多轮对话，围绕两种互补的风险设置来评估 MLLMs 的上下文安全性：升级式风险与语境切换风险。首个将临床医生视线作为“认知光标”来评估模型意图理解能力的评测基准，覆盖外科手术、急诊模拟与影像诊断解读等多种临床场景。司南·Daily Benchmark 专区今日上新！]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.12）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/156870286</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/156870286</guid><author>OpenCompass</author><pubDate>Mon, 12 Jan 2026 19:01:15 +0800</pubDate><description><![CDATA[首个系统性的学术海报编辑评测基准，包含 514 条编辑指令，并基于操作类型、任务难度与抽象层级等多维分类体系进行标注，结合有参考与无参考两种构建策略，以确保任务的真实度与多样性。首个以美国专利商标局专利审判与上诉委员会（PTAB）真实裁决案件为核心构建的评测基准，用于系统评估大语言模型在专利法律领域进行结构化法律推理的能力。一个用于评估多模态与视觉-语言模型在真实 AEC 图纸理解能力上的评测基准，涵盖两类互补的应用场景：目标计数任务和图纸支撑的文档问答任务。]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.8）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/156732564</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/156732564</guid><author>OpenCompass</author><pubDate>Thu, 08 Jan 2026 19:33:18 +0800</pubDate><description><![CDATA[一个用于在真实新闻语境下评估大语言模型金融虚假信息识别能力的评测基准，以段落级别为评测粒度，刻画金融新闻中语义由分散线索共同构成的上下文复杂性。一个用于在无像素级输入条件下评估大语言模型空间智能表现的全新评测基准，包含 3,800 余条专家标注样本，覆盖五大类任务与 17 个子任务。首个面向多语言硬件代码仓库级补全任务的评测基准，聚焦于代码补全任务，覆盖三种主要的硬件设计编码风格。司南·Daily Benchmark 专区今日上新！]]></description><category></category></item><item><title><![CDATA[每日 AI 评测速递来啦（1.7）]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/156694494</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/156694494</guid><author>OpenCompass</author><pubDate>Wed, 07 Jan 2026 19:19:32 +0800</pubDate><description><![CDATA[首个面向大语言模型的大规模功能影像评测基准，包含来自 9,732 项多中心、多示踪剂 PET 检查的 52,308 条分层问答样本。一个面向多领域、多模态、多维度指标的统一评测基准，用于系统评估多智能体辩论（MAD）方法的有效性、鲁棒性与效率。一个面向时间序列的时空推理基准，涵盖病因推理、实体识别、相关性推理和上下文预测等核心任务。司南·Daily Benchmark 专区今日上新！]]></description><category></category></item><item><title><![CDATA[通用安全 ≠ 行业可用！领域安全榜单揭示大模型垂域隐性风险 | 安全评测]]></title><link>https://blog.youkuaiyun.com/OpenCompass/article/details/156678704</link><guid>https://blog.youkuaiyun.com/OpenCompass/article/details/156678704</guid><author>OpenCompass</author><pubDate>Wed, 07 Jan 2026 10:45:40 +0800</pubDate><description><![CDATA[从 Shell 基准的风险挖掘，到 MENTOR 框架的自进化防御，研究团队致力于为大模型进入垂直行业应用建立一套可量化的安全标准。然而，教育、金融和管理仅仅是起点。随着 AI 深入医疗、法律等更多核心领域，隐性风险的形态将更加复杂。未来的研究将重点关注如何让模型不仅学会遵守规则，更能理解规则背后的价值观，最终实现从外挂式防御向内化式安全的跨越。司南将持续关注并跟进 Shell 基准的迭代更新，欢迎社区开发者共同参与评测与建设！]]></description><category></category></item></channel></rss>