GardenBench 发布轻量日常评测基准：追踪大模型逐日表现与成本波动
arXiv 上一篇新论文提出 GardenBench，用 11 组轻量任务和实时看板评测大模型在日常使用中的准确率、运行成本与耗时，并记录模型逐日的性能进步或退化。
标签： 大模型
OR-License基准发布：11款前沿大模型实测运筹咨询，Claude Code最佳配置可行率88.39%
Hugging Face Papers 收录的论文提出 OR-License 基准，用真实付费运筹咨询项目检验大模型智能体能否直接从客户原始材料交付专业方案；结果显示模型在条件目标质量上可超过专家，但综合质量仍落后。
Fréchet Forcing：不依赖长视频与教师模型，微调流式世界模型可稳定生成超4000帧
Hugging Face Papers 收录的一篇论文提出 Fréchet Forcing，用短视频和真实数据统计微调流式视频世界模型，使其在动作条件下长时间生成仍保持稳定和场景一致。摘要称在 MiniWorld-1B 上微调后，可以稳定生成超过 4000 帧。
Koi：多云端异构 LLM 推理集群的自校准规划器，登顶 alphaXiv
alphaXiv 于 2026 年 10 月 19 日公开论文介绍 Koi，一个面向多云端异构 GPU 集群的大模型推理规划器，利用语言模型层级提出部署假设，再由确定性工具验证与选型，据称在真实集群中比最强基线提升 1.18 倍有效吞吐并降低 20% 每 token 成本。
WebCoder用可执行项目做强化学习，27B模型前端任务超过Claude-Opus-4.8
alphaXiv 收录的论文提出 WebCoder，用“以可运行应用为准”的强化学习训练通用前端开发智能体，其 27B 模型在自建 Webdev-Bench 上要求满足率升至 72.8，单项指标超过 Claude-Opus-4.8 和 GPT-5.4。它值得关注，因为它试图解决前端智能体“改一处、坏一处”和超…
小米-Lens-0 技术报告：4B 多模态模型让推理带区域掩码
Hugging Face Papers 于 2026 年 10 月 16 日收录的小米-Lens-0 技术报告提出，一个基于 Qwen3.5 的 4B 多模态模型在推理过程中自行生成区域掩码，把“想”和“看哪里”绑定起来。值得关注的是，它尝试用更轻的结构解决多模态大模型细粒度区域理解弱的问题。
LiveMACE用真实市场评测LLM智能体：结果与能力可分离
Hugging Face Papers 收录的论文提出 LiveMACEBench，用真实金融市场作为持续变化的环境，对 5 个前沿大模型智能体的工具使用、持久记忆、规则遵循和多智能体协作进行过程级评测，指出“赚钱结果”并不等于“具备能力”。
RAX框架提出用在线探索替代动作示范：仿真平均领先37.4%
alphaXiv 收录的论文 RAX 提出一种开源机器人智能体框架，让通用编码智能体在真实和仿真环境中自主探索并生成控制程序，而不依赖遥操作动作示范数据。这一路线如果可复现，可能改变机器人学习对专用示范数据集的依赖。
多模态检索常把属性配错对象：SABER基准发布，纯文本微调可提升绑定能力
Hugging Face Papers 收录的论文提出 SABER 基准，系统评测图像—文本检索中的“属性—对象绑定”能力，发现 CLIP 类双编码器和近期基于 MLLM 的嵌入模型都存在明显绑定失败；作者仅用合成文本微调，就在该基准上取得 SOTA，并改善跨模态与图像—图像检索。
RAP数据集发布：2.5万对论文海报，把论文转海报变成可验证的视觉编程任务
Hugging Face Papers 收录的 RAP 数据集整理了 2022—2026 年机器学习会议的 2.5 万余对“论文—海报”样本，将海报拆成可重新填充的 HTML/CSS 槽位，使论文转海报从主观评审转向可渲染比对；它更接近研究基准，尚不是成熟产品。