● Agent 记忆赛道大洗牌！LoCoMo-Refined 重磅发布，主流记忆框架迎来核心检验

📌 一句话摘要 本文介绍了由南京大学与上海人工智能实验室联合发布的 Agent 记忆评测新基准 LoCoMo-Refined，该基准通过修正数据集和引入更严格的评判标准，揭示了主流记忆框架在旧基准下得分虚高的问题，并展示了其在严苛标准下的真实性能。 📝 详细摘要 文章详细阐述了南京大学与上海人工

● 15 个前沿大模型，100 个职业场景：谁才是最强 AI 打工人？

📌 一句话摘要 本文介绍了通义千问与港中文联合发布的 OccuBench 评测基准，它利用语言世界模型模拟 100 个职业场景，对 15 个前沿大模型的 AI Agent 能力进行了系统性评测，并揭示了模型在专业领域、故障处理及环境模拟能力上的显著差异。 📝 详细摘要 文章详细解读了由通义千问团

● 南大团队直击大模型高分神话：人类 90 分，最强模型仅 49 分

📌 一句话摘要 南京大学傅朝友团队发布视频理解新基准 Video-MME-v2，通过创新的三层能力体系与组级非线性评分，揭示了当前最强视频模型与人类专家在严格评测下存在巨大差距，并发现「思维链」增益高度依赖文本线索。 📝 详细摘要 文章报道了南京大学傅朝友团队在 Google Gemini 评测

● 鹏城实验室与中大推出 RADAR：具身智能评测新标杆

📌 一句话摘要 RADAR 是一个专为具身智能设计的评测基准，通过引入物理动态性建模、空间推理任务及全自动化 3D 评估流程，旨在解决现有评测体系与真实世界表现脱节的问题。 📝 详细摘要 本文介绍了由鹏城实验室与中山大学 hcp 实验室联合推出的具身智能评测基准 RADAR。针对当前具身智能领域

● Kaggle 竞赛：20 万美元奖金征集 AGI 进展评测基准

📌 一句话摘要 Logan Kilpatrick 宣布一项 Kaggle 竞赛，旨在征集衡量通用人工智能 (AGI) 认知能力的评测基准，并提供 20 万美元奖金。 📝 详细摘要 这则推文来自 Google Gemini API 的主要产品负责人 Logan Kilpatrick，他宣布了一项新

● 急需 AGI 新基准：聚焦学习、元认知、注意力、执行功能与社会认知

📌 一句话摘要 这则后续推文阐述了为何需要新的严格 AGI 评测基准，并重点提及了学习、元认知、注意力、执行功能和社会认知等维度，同时提供了竞赛链接。 📝 详细摘要 作为竞赛公告的后续，这则推文详细阐述了为何需要新的 AGI 评测基准。它指出，现有基准正被当前的 AI 模型所“饱和”，因此亟需更

● 迈向原生全模态 AI 智能体：人大&小红书发布 OmniGAIA 新基准

📌 一句话摘要 人大与小红书联合发布 OmniGAIA 基准与 OmniAtlas 框架，旨在评估并提升原生全模态 AI 智能体在长程推理与工具调用方面的核心能力。 📝 详细摘要 本文详细介绍了由中国人民大学、小红书等机构联合研发的 OmniGAIA 基准和 OmniAtlas 训练框架。针对当