● Rubrics 综述：Agent 时代，如何定义一个「好答案」？

📌 一句话摘要 中国人民大学高瓴人工智能学院发布首篇 Rubrics 综述，系统梳理了 Rubrics 在大模型中的定义、构造方法、训练应用、评测场景与开放挑战，为 Agent 时代的多维度质量评估提供了统一框架。 📝 详细摘要 本文是对中国人民大学高瓴人工智能学院发布的 Rubrics 综述论

● 当 Agent 真正走进复杂数据分析场景：DataClawBench 用 492 个真实任务，给前沿模型做了一次过程级体检

📌 一句话摘要 DataClawBench 是一个基于 492 个真实金融智库任务的数据分析评测基准，通过保留未清洗数据和隐藏数据源先验，对前沿大模型进行过程级评估，揭示了它们在真实探索式分析场景中的能力边界与失败模式。 📝 详细摘要 本文由中山大学陈川课题组联合南方周末科创力研究中心发布，介绍

● 刷榜 AI 全挂了！Meta 斯坦福地狱级测试，GPT/Claude/Gemini 交出 0 分

📌 一句话摘要 Meta、斯坦福和哈佛联合发布 ProgramBench 基准测试，要求 AI 从零复现完整软件，9 款顶级模型通过率全部为 0%，揭示当前 AI 在系统设计与软件工程能力上的根本性缺陷。 📝 详细摘要 文章报道了由 SWE-Bench 原班人马（Meta、斯坦福、哈佛）联合推出

● 腾讯混元发布 CL-Bench Life，精准衡量模型在现实生活中的 “上下文学习” 能力

📌 一句话摘要 腾讯混元发布 CL-Bench Life 基准，旨在评估大模型在真实、碎片化、高噪声的日常生活场景中的上下文学习能力，测试发现当前最强模型平均仅能解决 14.5% 的任务。 📝 详细摘要 本文介绍了腾讯混元团队最新发布的 CL-Bench Life 基准，这是对之前 CL-Ben