Diagram-MMU：面向科学图示解析与理解的多模态基准
评分
72首次系统评估MLLM科学图示到代码的解析、编辑与问答，揭示了图转码能力短板。
数据规模大且经过人工验证，任务设计贴合科学写作工具的实际需求。
为OpenAI Prism等科学写作工具提供评测基准，但代码生成任务的实际效果仍需更多验证。
契合MLLM在科学协作场景快速落地的当前热点，具有较强时效性。
来源为arXiv论文，项目主页公开，但尚未经过同行评审。
基础分 79.5 × T2 信源权重 ×0.9 = 72
精选线 70已入选精选
精选理由
该基准数据规模可观、任务设计贴合工具场景，且揭示了多模态模型在图转码上的系统性短板。
AI 点评
「这份基准最值得关注的地方在于它把评测视角从“看图问答”拉到了“看图写代码”，这正是科学写作工具实际使用中最卡脖子的环节。对研究多模态智能体和科学文档自动化的人来说，Diagram-MMU 提供了一个清晰的难度分层和失败模式参考。我个人很期待后续模型在图转码任务上的提升曲线，毕竟代码生成比选择题更能反映深层理解。」
速览
Diagram-MMU 是一个面向科学图示多模态理解的新基准，包含 3.7 千个精选图示和 1.83 万个经人工验证的问题，覆盖六个领域。基准设计了三类任务：图示到代码解析、图示到代码编辑和图示问答，并针对每类任务设定了智能体设置。对 12 个多模态大模型的评估显示，图示到代码任务比图示问答更具挑战性，模型虽能较好理解图示，但在解析和编辑方面存在明显短板。在智能体设置下，多数模型解析与编辑性能提升，但问答性能下降，Claude-4.6 Opus 则是唯一在三类任务上均持续改进的模型。该基准有望推动 MLLM 在科学写作与协作场景中的能力提升。
- Diagram-MMU 包含 3.7K 图示与 18.3K 问题，覆盖六个科学领域。
- 三类核心任务：图示到代码解析、编辑与图示问答，均含智能体设置。
- 评估 12 个多模态大模型，图示到代码任务比问答难度更高。
- Claude-4.6 Opus 是唯一在智能体设置下三类任务全部提升的模型。
正文
本文为 AI 生成的中文精读,原文请点「查看原文」
相关条目
精选DeepSeek V4 在 OpenRouter 上的代币份额翻倍，智能体工作负载成主要驱动力
DeepSeek V4 的快速采用表明市场对高性能、低成本推理模型的强烈偏好，尤其是智能体场景将重塑 AI 部署格局。
91
精选启用两项设置使ARC-AGI-3基准测试分数提升三倍
这项发现太关键了！它表明模型的性能不仅取决于训练，还取决于推理时的配置。对于AI工程师和研究者来说，这是一个必须注意的优化方向。特别是那些在资源受限设备上部署模型的团队，可能会因此找到低成本提升能力的方法。
91
精选GPT-5.6：前沿智能与前沿效率的融合
这条消息值得关注，因为它标志着大模型竞争从单纯拼参数转向拼效率。对于AI开发者和企业决策者来说，GPT-5.6意味着可以用更少预算获得更高性能，尤其适合那些被推理成本挡在门外的长上下文或Agent场景。OpenAI这一步，可能重新定义‘前沿’的标准。
91
精选LFM2.5-Encoder：面向CPU快速长上下文推理的新模型
这篇博文让我眼前一亮，因为它直接解决了大模型在CPU上跑长上下文的痛点。对于没有高端GPU的团队或个人开发者，LFM2.5-Encoder系列提供了可立即使用的开源方案。尤其推荐给做RAG、文档搜索或代码分析的朋友——现在用普通服务器就能处理百万级token的文档了。
91
精选GPT-Red：OpenAI通过自我对弈实现AI红队自动化，提升模型鲁棒性
GPT-Red 是红队测试从人工到自动化的里程碑，特别适合安全工程师和对齐研究者关注。它直接降低了测试成本，但也引发了对“自动攻击”本身的伦理讨论——值得所有关注AI治理的人深入思考。
91
精选OpenAI推出GPT-5.5生物漏洞赏金计划
这个计划值得关注，因为它首次将AI漏洞赏金制度拓展到生物安全领域，不仅为安全社区提供了新的研究方向，也为AI风险治理提供了实际演练场。对模型安全研究者、生物安全专家以及关心AI双重用途的从业者尤其重要。
91
精选vLLM推出原生速度Transformers建模后端，大幅提升推理性能
这项更新对于AI工程团队非常关键：无需格式转换意味着能更快地迭代模型，而2-5倍的速度提升直接降低GPU成本。如果你正在做LLM在线服务或者批量推理，这几乎是必读的技术更新。
90
精选Google DeepMind 发布手语转文本模型 SL2T，助力聋人用户
这则消息的意义不仅在于技术突破，更在于AI开始真正关注边缘群体的需求。对开发者而言，SL2T的架构思路和技术路径值得深入研究；对无障碍倡导者来说，这是推动行业标准的重要案例。