每日 AI 评测速递来啦（11.25）
一个专门为评估多模态大语言模型在具身智能任务中精细动作能力而设计的新基准，包含 1,368 个精心挑选的视频和 19,562 个三模态问答对，覆盖物理交互、时序因果关系、意图理解和评估判断四大认知维度。一个专为评估文本驱动图像编辑效果而设计的基准套件，收录了多样的源图像、丰富的编辑提示及不同方法生成的编辑结果，并提供近 4,000 个样本的人类平均意见分。面向化学领域的多模态推理基准，旨在评估多模
司南·Daily Benchmark 专区今日上新！
https://hub.opencompass.org.cn/daily-benchmark-list/week/2025-W48
PARROT
面向大型语言模型的鲁棒性评测框架，用于衡量模型在权威或说服压力下的表现，即“谄媚性”现象。
https://hub.opencompass.org.cn/daily-benchmark-detail/2511%2017220
Target-Bench
首个专门用于评估世界模型在真实环境中、针对语义目标进行无地图路径规划的基准。Target-Bench 提供了 450 条由机器人采集的视频序列，覆盖 45 个语义类别，并配备基于 SLAM 的轨迹真值。
https://hub.opencompass.org.cn/daily-benchmark-detail/2511%2017792
M³-Bench
首个用于评估多模态大语言模型 在模型上下文协议下 工具使用能力的基准。它面向现实的、多跳、多线程工作流程，要求模型具备视觉定位、文本推理、跨工具依赖处理以及中间资源持久化能力。
https://hub.opencompass.org.cn/daily-benchmark-detail/2511%2017729?intervalType=date
ChemVTS-Bench
面向化学领域的多模态推理基准，旨在评估多模态大语言模型的视觉-文本-符号推理能力。
https://hub.opencompass.org.cn/daily-benchmark-detail/2511%2017909
CFG-Bench
一个专门为评估多模态大语言模型在具身智能任务中精细动作能力而设计的新基准，包含 1,368 个精心挑选的视频和 19,562 个三模态问答对，覆盖物理交互、时序因果关系、意图理解和评估判断四大认知维度。
https://hub.opencompass.org.cn/daily-benchmark-detail/2511%2018685
Bench-C
一个专为评估大规模视觉-语言模型在视觉扰动下鲁棒性而设计的基准。
https://hub.opencompass.org.cn/daily-benchmark-detail/2511%2019032
IE-Bench
一个专为评估文本驱动图像编辑效果而设计的基准套件，收录了多样的源图像、丰富的编辑提示及不同方法生成的编辑结果，并提供近 4,000 个样本的人类平均意见分。
https://hub.opencompass.org.cn/daily-benchmark-detail/2511%2018055
火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。
更多推荐
3
0- 0
已为社区贡献21条内容
所有评论(0)