作者：InternLM、Qwen 等 LLM每周一览 AI Benchmark，AI 发展方向不迷惘。快来看看「机智流」、「ModelScope」和「司南评测集社区」推荐的 AI BenchMark 相关论文吧！！！
FEA-Bench: A Benchmark for Evaluating Repository-Level Code Generation for Feature Implementation
论文链接：
https://modelscope.cn/papers/125249
简要介绍：
由北京大学和微软亚洲研究院的魏李等人提出的 FEA-Bench，是一个专为评估大型语言模型（LLMs）在代码库级别进行增量开发能力的基准测试。它从 83 个 GitHub 仓库中收集了 1,401 个任务实例，专注于新功能的实现。研究表明，即使是先进的 LLMs 在此任务中的表现仍远低于预期，揭示了仓库级代码开发的重大挑战。
核心图片：
WritingBench: A Comprehensive Benchmark for Generative Writing
论文链接：
https://modelscope.cn/papers/124147
简要介绍：
由阿里巴巴集团和中国人民大学的宁吴等人提出的 WritingBench，是一个全面评估 LLMs 生成写作能力的基准测试，覆盖 6 个核心写作领域和 100 个子领域。它引入了查询相关的动态评估框架，使模型能生成特定实例的评估标准。实验显示，7B 参数模型在数据策划能力上接近 SOTA 水平，验证了框架的高效性。
核心图片：
MedAgentsBench: Benchmarking Thinking Models and Agent Frameworks for Complex Medical Reasoning
论文链接：
https://modelscope.cn/papers/124656
简要介绍：
由耶鲁大学的向如唐等人提出的 MedAgentsBench，是一个针对复杂医疗推理的基准测试，评估 LLMs 在多步骤临床推理、诊断和治疗规划中的表现。从七个医疗数据集构建了 862 个任务，结果显示 DeepSeek R1 和 OpenAI o3 等模型在复杂任务中表现突出，为医疗 AI 研究提供了新方向。
核心图片：
Do I look like a cat.n.01 to you? A Taxonomy Image Generation Benchmark
论文链接：
https://modelscope.cn/papers/126535
简要介绍：
由 Skoltech 和汉堡大学的维克多·莫斯科夫列茨基等人提出，该基准测试探索文本到图像模型生成分类学概念图像的可行性。包含 WordNet 概念的全面评估显示，Playground-v2 和 FLUX 在不同指标中表现优异，揭示了自动化结构化数据生成的新潜力。
核心图片：
VisualSimpleQA: A Benchmark for Decoupled Evaluation of Large Vision-Language Models in Fact-Seeking Question Answering
论文链接：
https://modelscope.cn/papers/125193
简要介绍：
由中国人民大学的 Yanling Wang 等人提出的 VisualSimpleQA，是一个多模态事实寻求 QA 基准测试，支持对大型视觉语言模型（LVLMs）的视觉与语言能力进行解耦评估。它引入难度标准并提取了 VisualSimpleQA-hard 子集，实验显示即使 GPT-4o 在复杂任务中正确率仅 30%+，凸显改进空间。
核心图片：
Benchmarking AI Models in Software Engineering: A Review, Search Tool, and Enhancement Protocol
论文链接：
https://huggingface.co/papers/2503.05860
简要介绍：
由 Roham Koohestani 等人提出的工作通过审查 173 项研究，识别了 204 个 AI4SE 基准测试，并分析其局限性。他们开发了 BenchScout 搜索工具和 BenchFrame 增强方法，以 HumanEval 为例推出 HumanEvalNext，显著提升了评估难度和质量。
核心图片：
LONGCODEU: Benchmarking Long-Context Language Models on Long Code Understanding
论文链接：
https://modelscope.cn/papers/123554
简要介绍：
由北京大学的 Jia Li 等人提出的 LONGCODEU，是一个长代码理解基准测试，从四个方面（8 个任务）评估 LCLMs 的能力。实验表明，当代码长度超 32K 时，模型性能急剧下降，远低于其宣称的 128K-1M 上下文窗口，为软件工程优化提供了洞见。
核心图片：
ProBench: Judging Multimodal Foundation Models on Open-ended Multi-domain Expert Tasks
论文链接：
https://modelscope.cn/papers/124404
简要介绍：
由澳大利亚国立大学的 Yan Yang 等人提出的 ProBench，是一个开放式多领域专家任务基准测试，包含 4,000 个高质量样本，覆盖 10 个领域和 56 个子领域。实验显示，即使最佳开源模型与专有模型接近，视觉感知和高级推理仍具挑战性。
核心图片：
MinorBench: A hand-built benchmark for content-based risks for children
论文链接：
https://modelscope.cn/papers/126387
简要介绍：
由新加坡政府科技局的 Shaun Khoo 等人提出的 MinorBench，是一个手工构建的基准测试，评估 LLMs 在拒绝儿童不安全查询方面的能力。通过中学案例研究，结果显示主流 LLMs 在儿童安全合规性上差异显著，强调了定制化 AI 的重要性。
本周的 AI Bench 研究成果涵盖了代码生成、医疗推理、图像生成和儿童安全等多个领域。这些基准测试不仅揭示了当前模型的局限，也为未来研究指明了方向。让我们共同期待 AI 技术在这些前沿领域的突破吧！🌟
