Minara在KDD 2026大会发表主题演讲，介绍自进化金融操作系统，并作为官方赞助商与阿里巴巴、Meta等同台。其研究论文入选大会Datasets & Benchmarks Track，构建了覆盖区块链等9大领域的评测基准，含3500多道专家审核题目，系统评测31个主流大模型，发现旗舰模型在多步推理场景仍有短板。

RealReplicaBench是阿里Accio Work团队推出的电商AI Agent评测基准，通过107个真实商业任务测试模型完成度，所有模型均未及格。它复刻真实工作环境，要求任务结果可被下一环节直接接手，用环境状态验证而非模型自述。该基准反映Agent时代评价标准从知识、推理转向实际完成任务的能力，也展示了团队对AI完成工作的深度理解。

美团开源搜索智能体评测基准LoHoSearch，旨在解决现有评测分数饱和、难以区分模型能力的问题。该基准利用知识图谱校准，更贴近实体与关系验证，覆盖长尾查询和拆解结果。文章强调搜索智能体落地需关注基础设施问题，建议团队用真实任务验收，重视错误解释而非总分，作为上线前的试金石。

中科院计算所“知境”团队发布社会心智大模型技术体系，旨在提升AI的情商与信任度。其核心包括SoMBench评测基准（3大维度、17项、71任务）和Zing训练系统，通过FLARE自适应生成新题、OPD防遗忘，使Zing-27B在五项基准上超越GPT-5.5。部署架构Actio按需调用能力，未来应用于家庭看护、多智能体协作等场景，推动社会智能成为AI核心赛道。

Uranus是一个新发布的世界模型，旨在解决具身智能行业的评测基准和仿真与现实之间的差距。它通过生成环境反馈来评估机器人模型的表现，提高了评测的效率和准确性。此外，Uranus支持多种机器人硬件，简化了仿真场景的构建。地瓜机器人团队认为，基础设施的建设比开发具身大脑更具挑战性，未来将继续扩展数据量以提升模型能力。

多模态人工智能正向全模态大模型发展，但评测体系滞后。美团LongCat团队提出UNO-Bench，提供高质量评测基准，有效评估模型的单模态与全模态能力，揭示“组合定律”，推动AI行业发展。

美团LongCat团队发布了VitaBench，这是一个针对大模型智能体的评测基准，涵盖外卖、餐饮和旅游等真实场景。VitaBench构建了66个工具的交互环境，量化了推理、工具使用和用户交互的复杂性。研究显示，当前模型在复杂任务中的成功率仅为30%，反映出智能体与实际应用需求之间的差距。该基准旨在推动智能体在真实生活中的研发与应用。

近期，AI技术迅速发展，但模型在指令遵循方面表现不一。美团M17团队推出Meeseeks评测基准，专注于评估模型的指令遵循能力。评测结果显示，o3-mini系列模型表现优异，Claude系列紧随其后，而DeepSeek和GPT-4o排名较低。Meeseeks通过细化评测框架和多轮纠错模式，揭示了模型的自我纠错潜力，为未来优化提供了方向。