美团LongCat团队发布VitaBench智能体评测基准，聚焦外卖、餐饮、旅游三大真实生活场景。该基准包含66个工具构成的交互环境，通过深度推理、工具使用和用户交互三个维度量化任务复杂度。实验显示，即使是先进模型在跨场景任务中的成功率仅30%，暴露出与真实应用需求的显著差距。VitaBench采用创新评估方法，如基于Rubric的滑动窗口评估器，为智能体研发提供更精准的评测工具。目前该基准已开源

美团LongCat团队发布VitaBench智能体评测基准，聚焦外卖、餐饮、旅游三大真实生活场景。该基准包含66个工具构成的交互环境，通过深度推理、工具使用和用户交互三个维度量化任务复杂度。实验显示，即使是先进模型在跨场景任务中的成功率仅30%，暴露出与真实应用需求的显著差距。VitaBench采用创新评估方法，如基于Rubric的滑动窗口评估器，为智能体研发提供更精准的评测工具。目前该基准已开源

美团LongCat团队发布VitaBench智能体评测基准，聚焦外卖、餐饮、旅游三大真实生活场景。该基准包含66个工具构成的交互环境，通过深度推理、工具使用和用户交互三个维度量化任务复杂度。实验显示，即使是先进模型在跨场景任务中的成功率仅30%，暴露出与真实应用需求的显著差距。VitaBench采用创新评估方法，如基于Rubric的滑动窗口评估器，为智能体研发提供更精准的评测工具。目前该基准已开源

阿里巴巴发布新一代原生全模态大模型Qwen3-Omni，其宣称在多项音视频基准测试中达到了SOTA（State-of-the-Art）水平，引发业界广泛关注。该模型的技术亮点在于其“原生全模态”架构，与传统的“模块化”设计不同，它旨在从一开始就构建一个能同时“看、听、说”的统一系统。为探究其在真实交互场景下的能力，AGI-Eval大模型评测社区对其展开了专项评测。根据 AGI-Eval 的评测结论

前几天，阿里巴巴正式开源新一代通义千问模型 Qwen3。上期我们从创作、分析、操作和问答四方面进行了任务实测，本期聚焦其通用能力与应用场景评测。OpenAI 员工、姚班校友姚顺雨发布文章《大模型下半场是产品的游戏，做研究也要有产品思维》，人工智能的重点，已经从“解决问题”转向了“定义问题”，评估或许比训练更重要。模型评测中，应摒弃 “刷榜” 思维，以全面评测视角牵引训练反映模型真实性能，进而推动模

语音合成图灵测试框架包含一个标准化的人类评估协议，并配套建设了专用数据集——ATT-Corpus，旨在解决当前语音合成评估中缺乏统一评估标准、不同系统难以公平对比的问题。为实现更全面的能力评估，专用数据集（ATT-Corpus）在设计时覆盖了多维度能力，能够帮助分析和揭示不同 TTS（语音合成）系统之间的具体能力差异，不仅关注整体表现，还关注细分技能表现。

结果显示，以 Dreamina 3.0 、 Halfmoon 、GPT-4o 为代表的模型已构成行业领先梯队，在图文理解、图像生成质量等方面表现卓越。值得关注的，是那些“超预期”的亮点：Dreamina 3.0 在图文一致性上的“精准控场”，GPT-4o 在字符生成上的惊艳表现，Halfmoon 在多图任务里的稳定输出……人物文生图，GPT-4o、Dreamina 3.0 生成的图片在光影等美学维

本研究深入分析了当前大语言模型智能体评估中存在的困境，并提出了首个面向深度研究场景的综合评估基准——。通过基于真实用户需求构建的 100 项高质量任务，以及创新的RACE和FACT评估框架，研究人员系统性地揭示了当前顶尖智能体的能力图谱。评测结果表明，不同智能体在能力上存在显著的权衡，例如，Gemini在报告的信息丰富度上领先，而Perplexity和OpenAI的智能体则在引用精确度上更具优势，

从本期的实测案例可以看出，各 Agent 产品在不同任务类型上展现出了差异化的能力特征。在文件与数据处理方面，扣子空间表现突出；而在软件开发、信息检索和 GUI 操作等任务上，各产品则各有长短，这反映出当前 Agent 整体仍处于从“可用”向“好用”发展的关键阶段。本次评测揭示了产品背后的决策模型的通用能力是决定 Agent 应用上限的关键因素。扣子空间基于 Seed1.6 模型实现的性能跃升，便

当下，文生图 AI 正处于"能用"与"好用"的过渡地带。指令遵循能力与画质表现，将是其向工业化应用迈进过程中的两大核心命题。例如下图测试案例进一步印证了这一研究的必要性：左侧图像在处理"秋日小镇里，复古马车行驶在铺满落叶的街道上"时出现建筑比例失调、空间构图混乱等明显缺陷；右侧的"波普风女性肖像"则暴露出五官比例异常、色彩搭配杂乱等质量问题。业界虽然开始广泛采用多模态大模型作为 AI 图像的自动化