我从 GitHub、Hugging Face、OpenAlex 等 11 个来源抓了 4000+ 条 benchmark/eval/dataset 数据，如果需要寻找 related work 或找到适合eval自己的agent 的 bench 或者关注最新的 eval 进展，可以看这里： ，每天更新，并支持一键导出数据

benchmark-radar code更新 0. 一键导出，方便大家搜索全网benchmarks，目前已经收集20天，3995 个例子 1. 新增 rss 订阅方式，用rss来看每天的benchmark日报 2. 在原有8个API source例如Github huggingface的基础上，新增Alina的信源 code:

Agent benchmark 看起来像在测“AI 能否推进人类知识前沿”，实际上大多还在测“AI 能不能把作业做完”。 目前主体是 L2 执行和 L3 复现，L4 再发现刚刚出现；真正创造未知知识或方法的 L5，本周依然空缺。

The unit is the document. If one card reports AIME at pass@1, consensus@64, and with tools, it still contributes one adoption. A long appendix cannot outvote another vendor.

AI researchers deserve an award for paper titles 😂 “Malice in Agentland: Down the Rabbit Hole of Backdoors in the AI Supply Chain.” 🐇 I came across it while curating today’s Benchmark Radar: