AI EVALUATION, IN CONTEXT.BY EQUALITY MACHINE
Benchmark Radar.Benchmarks. Model results. Original sources.
/

BENCHMARK RADAR / 发现简报 · 2026-10-30

评测发现简报

127 条首次发现的评测相关记录，按领域和类型整理，并链接原始来源。

Equality Machine · 采集完成：

AI 辅助概述 · 未独立复核

原简报类型统计：新 benchmark 66 · 新数据集 17 · 评测报告 13 · 方法论文 20 · 其他 11

关于这份简报

这些记录在本次保存的快照中首次出现，按原项目的精确 artifact 标识去重。首次发现时间不等于发布日期，也不表示它们都是新发布的 AI benchmark。

本页保留 2026-10-30 发布时的 127 条首次发现记录，以当时保存的采集历史为准；后续补充的历史来源不会改写这份已发布简报。

分类与概述模型：deepseek-v4-flash

分类与中文概述来自原始自动简报；英文为其译文，个别更正另行标注。请通过每条链接核对原始材料。概述不作为模型成绩写入目录。

安全 5

新 benchmark · 5

代码 3

新 benchmark · 3

Hugging Face

Rockerleo/har2client-leaderboard

做什么: 评测流量转客户端代码的 benchmark，含隐藏执行测试

摘要所述结果: 摘要未给出结果

Kaggle Dataset

Gemma 4 Patch Audit Benchmark

做什么: 评测 Gemma 4 检查器对补丁审计的 benchmark，含 552 个标注补丁

摘要所述结果: 摘要未给出结果

医疗 12

新 benchmark · 5

评测报告 · 7

Agent 11

新 benchmark · 9

GitHub

rizafahmi/eval_leaderboard

做什么: 评测编码 agent 与 LLM 的端到端 Elixir/OTP CLI 工程 benchmark

摘要所述结果: 摘要未给出结果

GitHub

askviv/TheAgenticCompany

做什么: 评测 agent 在模拟软件公司中完成任务的 benchmark

摘要所述结果: 摘要未给出结果

新数据集 · 2

多模态 11

新 benchmark · 7

Hugging Face

anon482915/video-failure-benchmark

做什么: 提供生成视频故障细粒度诊断的 pilot 数据集，含 33 个故障子类与 8 个家族

摘要所述结果: 含 33 个故障子类、8 个家族，支持故障发现、子类分类和时间诊断

Hugging Face

danielrosehill/Tech-Graphics-Benchmark

做什么: 提供 Tech-Graphics-Benchmark 的测试提示集，用于评测图像模型生成技术图形

摘要所述结果: 摘要未给出结果

Hugging Face Papers

EditAgent: Rethinking Agentic Image Editing

做什么: 提出 EditAgent，用验证记录扩展代理式图像编辑的动作与观察空间

摘要所述结果: 通用编辑器超 40% 案例无可用结果；EditAgent 使现成 VLM judge 胜过微调奖励模型，专家 78.5% 偏好，提升两个开放权重编辑器在三个 benchmark 上的表现

新数据集 · 2

Hugging Face

yangzijing/mirohand-egohand-umetrack-benchmark-videos

做什么: 提供修正版 mirohand-egohand-umetrack benchmark 视频与表格

摘要所述结果: 修正版含 54 个 mesh-overlay 视频和完整 ARCTIC/H2O/EgoRenderer 表格；EgoHand 由 SOMA 转换为 MANO

Hugging Face

danielrosehill/Tech-Graphics-Benchmark-Runs

做什么: 提供 Tech-Graphics-Benchmark 的每轮生成图像及 manifest 文件

摘要所述结果: 图像按轮组织，manifest 行已打乱且 gen id 不透明以保持盲评

评测报告 · 2

Hugging Face

b4ph/clap-retrieval-benchmark

做什么: 评测 LAION CLAP 融合与未融合 checkpoint 在音频-文本检索上的 benchmark

摘要所述结果: short-clip 协议下 AudioCaps 差异不显著；Clotho 上 unfused 双向得分更高，95% 区间不含零，未建立等价。

科学 9

新 benchmark · 6

Crossref

The AI-Ready Downhole Microseismic Benchmark Database (AMBER)

做什么: 提供 AI-ready 井下微震 benchmark 数据库 AMBER，含波形和人工验证的震相拾取标签

摘要所述结果: 含超过 4,000 个事件、150,000 个 P/S 波拾取和 10,000 个无信号噪声示例，均经人工验证

评测报告 · 3

语言 8

新 benchmark · 4

Hugging Face

dleemiller/OpenNLI-Leaderboard

做什么: OpenNLI leaderboard 的 44 个公开测试集及可复现分数的评估脚本

摘要所述结果: 摘要未给出结果

Hugging Face

dleemiller/open-nli-leaderboard

做什么: NLI benchmark 的排行榜，展示准确率、校准和速度

摘要所述结果: 摘要未给出结果

新数据集 · 3

Hugging Face

Mausbiber/local-gpu-llm-benchmarks

做什么: 提供LLM benchmark与本地GPU评测数据的机器可读镜像。

摘要所述结果: 覆盖100个全球模型、56个benchmark、2540个表格单元、5069个测量变体和24个本地GPU变体。

Hugging Face

krush420/sovereign-g4-benchmarks

做什么: 提供Sovereign G4 Hermetic benchmark的审计日志与记分卡数据集。

摘要所述结果: 涵盖RouterBench与Aider Polyglot等交互式评测数据。

评测报告 · 1

视觉 5

新 benchmark · 5

Hugging Face

yuanhaohan/tibetan-ocr-benchmark

做什么: 评估藏文 OCR 的 benchmark，含 472 页图像、人工转录文本及标注。

摘要所述结果: 含472页带转录的页面图像及逐页元数据，供多种OCR系统评测。

摘要更正：已依据保存的来源摘要澄清。

GitHub

Mandark-droid/Proof-of-Art

做什么: 带证明的几何艺术与模型评测 benchmark，含可重放约束检查与 OpenEnv 强化学习环境。

摘要所述结果: 摘要未给出结果

Kaggle Dataset

CW-SSN AiOIR Clean Benchmarks

做什么: 名为 CW-SSN AiOIR Clean Benchmarks 的数据集。

摘要所述结果: 来源未提供摘要

机器人/具身 5

新 benchmark · 5

Hugging Face

behavior-spatial-benchmark/BEHAVIOR-Spatial

做什么: 评测 VLM 空间理解能否迁移至 VLA 行为的 benchmark，含三个组件并基于 BEHAVIOR-1K/OmniGibson。

摘要所述结果: 摘要未给出结果

Hugging Face

titus-robots/titus-packing-benchmark-alpha

做什么: 提供工厂包装场景的机器人操作benchmark，含遥操作演示用于构建和评估操作策略

摘要所述结果: 摘要未给出结果

GitHub

chlxydl/robodojo-atlas

做什么: 公开的RoboDojo agent benchmark图谱

摘要所述结果: 摘要未给出结果

推理/知识 2

新 benchmark · 2

Hugging Face

VikramMV/source-report-trace-transfer-benchmark

做什么: 含280对数学题的benchmark，研究推理模型描述推理轨迹

摘要所述结果: 每对题目仅改一个数值，解法相同但答案不同，支持受控推理轨迹迁移实验

语音/音频 2

新 benchmark · 2

Hugging Face

CooledNik/logatra-benchmark

做什么: 印度语言和 Hinglish 的语音转文本排行榜。

摘要所述结果: 摘要未给出结果

摘要更正：已依据保存的来源摘要澄清。

Hugging Face

CooledNik/logatra-benchmark

做什么: 印度语言和Hinglish的语音转文本排行榜

摘要所述结果: 摘要未给出结果

其他领域 23

新 benchmark · 13

GitHub

luziesto-web/local-llm-bench

做什么: 在 8GB 笔记本 GPU 上经 Ollama 评测开源权重 LLM 的 benchmark

摘要所述结果: 摘要未给出结果

Hugging Face

SlayerLab/Slayer1B-Benchmarks

做什么: Slayer1B 的 benchmark 套件：50 个独立 benchmark、单一协议、经污染检查

摘要所述结果: 摘要未给出结果

新数据集 · 10

Hugging Face

mirelleoskarvy/ai-affiliate-program-benchmarks-2026-10

做什么: 覆盖 213 个 AI 联盟计划，记录佣金、支付期限、cookie 长度等信息的 benchmark 数据集。

摘要所述结果: 数据集含 213 个计划，206 个活跃；活跃计划中位佣金为 30%。

Hugging Face

PressGEO/local-ai-visibility-benchmark

做什么: 评测 AI 搜索工具推荐本地服务商提及率的 benchmark，覆盖20个都市区、13类服务

摘要所述结果: 摘要未给出结果

Hugging Face

shinhipc/local-ai-benchmarks

做什么: 本地 AI 服务器性能 benchmark，含 273 行数据，包括自测数据及明确标注的外部参考数据。

摘要所述结果: 摘要未给出结果

摘要更正：已依据保存的来源摘要澄清。

Hugging Face

alion-io/salary-benchmarks

做什么: 基于职位发布薪资的benchmark，覆盖55国、1675个单元格

摘要所述结果: 摘要未给出结果

Kaggle Dataset

GPU Price Index

做什么: GPU租赁价格指数数据集，含22种型号、26个云平台

摘要所述结果: 摘要未给出结果

Kaggle Dataset

AI Hardware Benchmarks 2024-2026

做什么: 提供2024-2026年AI硬件GPU与CPU规格、性能、功耗和价格的benchmark数据集

摘要所述结果: 摘要未给出结果

其余首次发现记录 (31)

原简报将这些记录折叠为方法论文和其他记录的总数，没有提供逐条分类。此处保留全部来源链接，不推测各条所属类型。

展开全部来源记录

DataCite

DIGITAL TWINS OF VOLITION, BIOELECTRICITY AND NANOSENSING ACUPUNCTURE AT THE LIMIT is a 777-page English Research Working Edition developing a falsifiable engineering architecture for synchronizing prospective task labels, authorized noninvasive EEG/EMG records, and the physical state of an isolated needle-emulator on a nonliving phantom. The principal question is whether a frozen digital twin improves independently verified prediction of event time, signal and surrogate-device state under deliberately hidden cross-sensor clock delays. The central candidate relation is x[k+1]=A x[k]+B u[k]+w[k], z[k]=C x[k]+v[k]. This is an established mathematical modeling form, not an original biological law or evidence of private thought decoding. The framework treats timebase skew, cue leakage, repeated EEG-window contamination, model discrepancy, shared calibration covariance and hidden actuator latency as explicit challengers. A strong ordinary baseline includes prospective persistence, linear autoregression, calibrated Kalman models and time/cue-only prediction, evaluated on entirely held-out acquisition episodes and unseen days. Thirty differentiated physical and mathematical plates connect state observability, clock drift, covariance propagation, prediction intervals, source ablation, independent actuator safety and external validation to their respective experiments. Across 82 scientific chapters and 410 separately paginated studies, the book develops signal identity, calibration, synchronization, latent-state recovery, prospective prediction, blind falsification, hardware interlocks and second-site replication. Two hundred detailed Research Gates, printed with prominent deep-navy questions on individual pages, lead future investigators through unknown perturbations, strong countermodels, measurable disconfirmation, hard stops and successor evidence packages. Thirty-three Phoenix Answer Embryos propose scientifically distinguishable instruments and paths for revision. The three STARLI author mother volumes contribute method ancestry on sensing identity, functional requalification and sample-to-signal provenance. Eleven separately identified published method references support classical state estimation, EEG algorithm benchmarking, clock synchronization, leakage prevention, cross-subject validation and digital-twin qualification. Those sources do not constitute experimental evidence for the new architecture. All proposed experiments remain unperformed: the volume does not establish clinical acupuncture, autonomous microneedle treatment, volition-to-actuation efficacy or regulatory authorization. Safe early validation is restricted to consent-scoped archived or noninvasive data, inert bench devices and independently calibrated reference instruments. Author: White Rainbow Epoch · 33 x Starli Original Series: STARLI Research Institute XXXIII / Flagship 49 of 90 Edition: Nonclinical Research Working Edition v1.0 / October 2026 Join the STARLI Research Community Explore more than 100 interdisciplinary research themes and follow the evolving STARLI Research Gate community: https://zenodo.org/communities/starli-research-gate/