汤森路透最新基准：10个法律大模型最高仅0.46分
想象一个场景：你打算从一家创业公司跳槽去竞争对手那里，拿起手机问AI：“公司能强制执行我的竞业限制协议吗？”它几乎秒回：“竞业限制协议在合理范围内一般可执行，但需结合具体条款判断。
标签：数据集
共 128 篇
哈佛开源2260万古籍插图，AI终于补上历史课
如果让一个从来没出过村的老学究，突然面对整个互联网的图片，他会怎么看世界？大概率是懵的。反过来，如果把全世界最聪明的AI模型扔进一座百年图书馆，让它只看一堆发黄的书页扫描件，它也会懵。
20人6房间实测，天花板上的FMCW、IR-UWB和Wi-Fi谁更强？
说实话，给卧室装监控这件事，绝大多数人心里都会有点抗拒。哪怕你反复强调"视频只在本地处理"，老人一句"那我上个厕所是不是也被看见了"，直接把你噎回去。但换一种思路呢？
CVPR 2026南大&字节新作：AI终于记住你会变的口味，个性化暴涨22.4%
你的AI助手能记住你三个月前说过"最近改喝零度可乐"这种小事吗？还能看出你最近压力大、回答时自动把语气调到安静模式？南京大学和字节跳动这篇CVPR 2026工作，把"长期记忆+动态人格对齐"做成了完整框架，在自建基准上把GPT-4o都赢了，值得一看。
0.75还是0.50？越南高考凸性评分给大模型评测上了一课
大模型评测几乎都在用“对错”代替“官方评分”，越南2025年高考的凸性评分直接把这种替代打回原形。本文用632道真题和百万考生真实分布，把模型放进人类排名里比了一次，结果让人捏把汗。
哈佛最新开源：147万份百年报纸，榨出163亿token公共数据集
这可能是今年最"考古"的AI基础设施工作：哈佛联手波士顿公共图书馆，把1795到1930年的147万份报纸扫描件，变成163亿token的干净文本。更难得的是，整套流水线设计成工作站级硬件就能跑，租服务器全程只要约2.5万美元——相比云端OCR动辄几十万美元的报价，这性价比简直离谱。对做数据工程、LLM预训练和数字人文的人来说，这篇值得细读。
北航CIKM 2026：30-41个被吞掉的候选，靠一个账本全找回来了
这篇论文盯上了AutoML报告里一个常被忽略的"黑箱"：那些没被拟合的候选方案去哪了？北航团队用一套候选命运核算框架，给每个候选一个终态归宿，在三个轴承数据集上找回30-41个被"吞掉"的候选。搞工业诊断、调自动化管线的朋友值得一看。
斯坦福&MIT新作：VR采集75小时仿真数据，灵巧手五项真机任务全解锁
如果说机械臂是机器人的“手臂”，那灵巧手就是它的“指尖”——能抓鸡蛋、玩叠叠乐、拧瓶盖的那种指尖。但灵巧操作一直是机器人领域的老大难问题：机械臂在工厂里已经干了几十年活了，灵巧手却还在实验室里“装婴儿”。为啥？
强化学习致命短板曝光：智能体真的没有内部时钟？
人人都说AI要像人一样干活，可它连“等锅汤开要多久”都没概念。根特大学等机构推出Chronocooked强化学习基准，把时间藏在炒菜场景里，逼着智能体靠内在计时做决策。想看AI到底会不会“看表”，这篇论文值得一读。
2行代码跑起关系学习：Prior Labs发布RPI接口，告别调参黑箱
关系学习热度攀升，但论文复现难、结果对不上。Prior Labs联合斯坦福和NVIDIA，开源基准、模型、接口三件套，把21个任务拉到同一起跑线实测。想看GNN、表格模型和关系基础模型谁是真冠军？这篇值得细读。
ACM MM接收方案：音频伪造检测冲上96.1%的秘诀
音频深度伪造早已不止"语音换脸"——环境声、歌声、音乐都能被AI伪造。这篇ACM Multimedia 2026挑战赛总结，双赛道评测方案与冠军系统一次讲清，音频安全和AI信任方向的从业者值得细读。
UC Berkeley新基准Vero：最强AI写证明，43个代码仓库只通关27个
AI生成的代码，你敢直接上生产吗？单元测试过了不代表没bug，仓库级形式化验证才是终极保险丝。UC Berkeley等机构提出Vero，要求智能体在一个多模块Lean 4代码仓库里同时写实现和证明，结果最强配置只通关27/43——答案藏在仓库级一致性和共享引理库的组织能力里。
