五个新评测详情：Agent 安全、云运维与视频理解
新增五个独立评测详情页，补齐原始来源、任务说明与已发表成绩，覆盖 Argus-Bench、CloudOpsBench 等项目。
这一批覆盖网关安全、全景视频、施工区感知、生物模型重建和真实云运维。先按要评估的任务选择，再进入独立详情页核对来源与实验条件。
按任务选择评测
每个入口都能打开完整评测详情，包括中英文说明、原始发布链接与已发表成绩。不同指标衡量不同任务，比较模型前先看实验协议。
| 评测 | 任务 | 读成绩时要看 |
|---|---|---|
| Argus-Bench | 网关提示注入检测 | 总检出率与单列的误报率 |
| PanoVideoBench | 全景视频理解 | 全题集准确率与输入、训练协议 |
| WorkIng | 施工区感知与规划 | 白天 NDS；夜间、仿真与规划另看 |
| Morpheus Agent Benchmark | 科学模型重建 | 四模式生物学分、裁判与重复次数 |
| CloudOpsBench | 云运维 | 完成任务数与实时试验解决率分开 |
- Argus-BenchModel reports
- PanoVideoBenchModel reports
- WorkIngModel reports
- Morpheus Agent BenchmarkModel reports
- CloudOpsBenchModel reports
Argus-Bench · original publication · PanoVideoBench · original publication · WorkIng · original publication · Morpheus Agent Benchmark · original publication · CloudOpsBench · original publication
Argus-Bench：Agent 网关能否检出恶意指令，又不过度误报正常请求？
四个网关配置测试 204 条攻击，60 条正常对照另报误报率。应结合攻击类别和误报一起看；其中 Rebuff 仅测试离线启发式层。
- Argus-BenchModel reports
PanoVideoBench：视频模型能否追踪初始视野之外的事件？
用 1,000 道题检查全景视频中的外观、空间、动作、追踪与事件理解。论文给出不同模型及输入、训练变体的全题集准确率；公开标注包不附带视频本体。
- PanoVideoBenchModel reports
WorkIng：感知与规划能否应对高速公路施工区？
结合真实施工路段记录与可配置的 CARLA 场景。主成绩是 15 个训练配置在真实白天测试集上的 NDS。夜间、仿真检测和规划结果分表展示，当前作者仓库仍为占位内容。
- WorkIngModel reports
Morpheus Agent Benchmark：编程 Agent 能否重建论文中的多细胞模型？
围绕 15 项已发表研究，每个任务限时四小时，按论文专属标准评价生物学复现结果。Morpheus 模式汇总不含仅使用 Python／网页的基线；模型重复次数不同，结果由 LLM 裁判评分。
- Morpheus Agent BenchmarkModel reports
CloudOpsBench：Agent 能否修复真实云基础设施？
提供 45 道 AWS 运维任务，通过命令行操作，每次限时 40 分钟。带日期的作者分析给出两条完成任务数；另表保留实时榜单 18 个配置的模型、思考强度、运行框架与解决率，实际运行日期未公开。
- CloudOpsBenchModel reports
今天上架，保留原始发布日期
11 月 3 日是这批 Radar 页面上架与核对的日期。PanoVideoBench、WorkIng 论文提交于 10 月 30 日；Argus 数据集与带日期的 CloudOps 分析发布于 11 月 2 日。Morpheus 分别保留评测版本、代码发布版本与原文实验设置。数字均从引用资料转录，Radar 没有重新运行这些实验。
Argus-Bench · original publication · PanoVideoBench · original publication · WorkIng · original publication · Morpheus Agent Benchmark · original publication · CloudOpsBench · original publication