DisasterVLG 发布 124 万张灾害图像多任务数据集，覆盖视觉定位与证据式推理
研究团队构建 DisasterVLG 大规模多任务数据集，包含来自 142 个国家的 124 万张灾害图像和 3300 万条结构化标注，覆盖密集描述与定位、事件评估、关系场景描述和灾害视觉问答（VQA）。
推荐理由：该数据集把灾害场景的视觉定位与证据式问答统一起来，并给出人工核验测试集，便于评估模型在真实不确定性下的推理能力。
内容形态
数据集与基准 最新动态
研究数据集、基准与评测资源。
82 条精选近 30 天 80 条共收录 134 条
更新
数据集与基准的精选
arXiv · cs.CV精选AI 评分7272 arXiv · cs.CV精选AI 评分6060 Blueprint2CAD 基准发布：评测视觉模型能否匹配工程图与 CAD 渲染图
研究团队提出 Blueprint2CAD 基准，用于判断正交线工程图与另一视角的着色渲染图是否对应同一零件，其数据层 BlueCAD-30K 基于 29,925 个 Zero-to-CAD 模型生成六视角图纸与渲染。
推荐理由：该基准把视角变化与骨干网络的影响分开考察，并给出冻结编码器和零样本 VLM 的具体表现，便于读者判断工程图检索任务的真实难点。
arXiv · cs.CV精选AI 评分7272 MMEarth-Bench：面向全球地球观测的多模态测试时训练基准
作者提出 MMEarth-Bench，包含五个环境任务、12 种模态和全球分布数据，并提供随机与地理两种测试划分。基准测试显示多模态预训练在少标注下更稳健，但地理泛化仍较差，数据充足时随机初始化的多模态模型也具竞争力。作者进一步提出模型无关的 TTT-MMR 方法，在测试时用全部可用模态做重建辅助任务，在两个划分上均提升各模型表现，数据集、代码与可视化工具见项目页。
推荐理由：材料给出五个新任务、12 种模态和地理切分，并指出地理泛化仍是短板，读者可据此判断多模态地球观测模型的真实能力边界。
arXiv · cs.CV精选AI 评分7878 Ropedia Xperience 2 发布：1,589 个 3D 扫描与 4,230 段自我中心行为记录
研究团队发布 Ropedia Xperience 2，包含 1,589 个已公开的米制尺度 3D 扫描，以及覆盖 74 项任务、共 131 小时的 4,230 段自我中心录制。
推荐理由：该数据集同时提供环境扫描与人类行为演示，并给出转成机器人学习数据的流程，可供关注具身智能数据规模化的人参考。
arXiv · cs.SE精选AI 评分6969 CrossPloit：面向 Python Web 应用跨版本 PoC 迁移的基准
研究团队发布 CrossPloit 基准，包含 45 个 CVE 的 127 个跨版本 PoC 迁移实例，每个实例配有版本固定的容器、参考 PoC 和漏洞专用 oracle。
推荐理由：该基准用可执行 PoC 验证漏洞版本区间漏报，并给出 18 种 Agent 配置的自动化迁移上限。
arXiv · cs.CV精选AI 评分7575 Fog-FWL：用于恢复雾中隐藏目标的大规模全波形 LiDAR 数据集
研究团队发布 Fog-FWL 数据集，包含 7,527 帧真实雾天全波形 LiDAR 数据（Fog-FWL-Real，来自 8 个场景、58 个序列，规模是现有唯一真实雾天 FWL 数据的 579 倍）和 12,000 帧物理仿真数据（Fog-FWL-Sim）。
推荐理由：该数据集同时提供真实雾天全波形基准与物理仿真训练集，并支持严格的 sim-to-real 评测，便于读者判断雾天目标恢复任务的难度与数据缺口。
arXiv · cs.CV精选AI 评分6868 Pl@ntNet 推出机器对机器植物识别 API 服务，覆盖 85,000 种植物
Pl@ntNet 团队发布机器对机器 AI 植物识别服务，通过 API 以程序化方式调用其识别模型与分类学处理，覆盖全球 85,000 种植物，物种预测准确率为 0.89，处理速度最高可达需人工介入流程的 666 倍。
推荐理由：论文给出覆盖 85,000 种植物的 API 识别服务，并附可复现示例，便于读者评估其接入自动化监测流程的可行性。
arXiv · cs.CV精选AI 评分6060 RipBench：统一评测裂流检测、分类与分割的多层级基准
研究团队提出 RipBench，一个在统一数据与标准化划分下评测裂流分类、轴对齐与旋转目标检测以及实例、语义、全景分割的基准。基于 304 段视频（303,491 帧，其中 51,011 帧标注了全部六项任务），帧级分类达到 F2 = 0.93，而最佳检测器和最佳实例分割器分别只有 0.72 和 0.66，且模型排名随任务变化。
推荐理由：该基准在同一数据与划分下统一评测六项裂流任务，暴露出粗粒度识别与精细空间理解之间的性能落差。
arXiv · cs.RO精选AI 评分6767 ManiLadder：按难度分层校准的机器人操作仿真基准
作者提出机器人操作仿真基准 ManiLadder，包含 112 个任务，按 4 个难度等级分层，每级 8 个类别，覆盖刚体与可变形物体、单臂与双臂、夹爪与灵巧手。为校准难度，每个任务固定相同数据量，用统一的 flow-matching 模仿学习策略在相同训练与评测协议下运行，以成功率作为经验难度信号，并跨随机种子、策略和智能体学习系统验证难度区间。真实实验显示任务难度排序在仿真之外仍保持。
推荐理由：该基准按任务难度分层校准，并跨随机种子、策略和真实实验验证难度排序，可供读者判断机器人操作能力的评测设计。
arXiv · cs.CV精选AI 评分6262 RSLiveBench-UAV：面向航空空间智能的持续演进视觉语言基准
作者提出 RSLiveBench-UAV，一个由持续采集真实无人机影像驱动的视觉语言基准，采用只收录上一版本发布后拍摄图像并延迟公布答案的更新协议。基准包含来自10个场景的35,491条问题记录、覆盖2D感知、3D感知、跨视角感知与推理共17项任务，全部使用确定性评分而非模型评判。
推荐理由：该基准用持续采集的真实无人机影像更新题目，并给出30个模型的横向评测结果，可供读者判断航空空间智能的评测现状。
arXiv · cs.CV精选AI 评分7474 RPG 基准：AI 篡改视频检测器在真实部署条件下表现如何
研究团队提出 Reality Perception Gap（RPG）基准，包含 1 万段来自前沿生成器和部分合成编辑的视频，并经过跨平台转发压缩处理，同时搭配带有相机端光学伪影的真实素材。在 18 个检测器上，当误报率为 1% 时，没有一个检测器能识别出超过 15% 的伪造视频。对照实验和重编码扫描显示，生成器与内容偏移在压缩前就已削弱检测能力，而转发压缩会抹掉基于伪影的检测器所依赖的低层痕迹。
推荐理由：该基准把转发压缩与硬件伪影纳入评测，18 个检测器在 1% 误报率下漏检率极高，为视频取证评测提供了更贴近部署的设定。
arXiv · cs.RO精选AI 评分6565 SPARC 发布自主救援竞赛标准平台及首批数据集、软件与仿真环境
RoboCup Rescue 机器人联赛推出自主救援竞赛 SPARC，以 Unitree A2-W 为统一机器人平台，并配套基准环境。
推荐理由：SPARC 把统一机器人平台、基准环境、首批开放数据集和导航软件栈打包发布，读者可据此判断自主救援研究的复现门槛。
arXiv · cs.LG 机器学习精选AI 评分7272 BiGym 2.0：面向 Unitree G1 人形家务操作的 20 任务基准
BiGym 2.0 将 BiGym 适配到 Unitree G1，用统一全身控制器覆盖 20 项家务任务，每项提供 60 条 VR 人类演示并同步多相机视角与全身执行记录。
推荐理由：BiGym 2.0 在统一全身控制器下对比四类策略，读者可据此了解人形家务操作各方法的强弱分布。
arXiv · cs.LG 机器学习精选AI 评分7878 TIDE：面向科学机器学习的物理多样 3D 湍流基准数据集
作者发布 TIDE（Turbulent Incompressible DNS Ensembles），一个 256^3 的 3D 不可压缩湍流 DNS 语料与基准，覆盖八个控制轴上的 15 种配置，提供独立集合、压力场和方程级验证。
推荐理由：该基准用独立集合与物理保真指标揭示点误差低不等于小尺度动力学正确，为科学机器学习评测提供可复现的对照。
arXiv · cs.LG 机器学习精选AI 评分7272 PertReason 提出细胞状态条件下的扰动效应机制推理基准与框架
研究团队提出 PertReason，包含基准 PertReasonQA 与参考模型 PertReasonLM，用于评估和改进细胞状态条件下的扰动效应机制推理。PertReasonQA 整合多种细胞环境下的单细胞遗传与化学扰动数据及知识图谱，并按细胞特异性基础状态动态生成通路，以测试模型在新细胞、未见扰动、跨模态与组合外推等分布偏移下能否给出机制上忠实的解释。
推荐理由：该基准把单细胞扰动数据与知识图谱结合，用于检验模型解释是否机制忠实，并给出参考模型的训练路径。
arXiv · cs.IR精选AI 评分7272 快手发布 KuaiRecV2 基准，评测大规模持续学习与多任务推荐
快手团队提出 KuaiRecV2 基准，用于评测多样化、多任务推荐中的大规模持续学习，数据来自快手工业级场景，包含百万级多模态物品信息和 30 天长期交互记录，并配有动态视频候选池。该基准在同一评价体系中同时考察检索准确率、多样性和多任务表现，只有新方法在所有指标上均提升才算有效进展，代码已开源。论文已被 NeurIPS 2026 接收。
推荐理由：该基准把检索准确率、多样性与多任务表现纳入同一评价体系，要求新方法在所有指标上同时提升，便于读者判断离线评测与线上结果的差距。
arXiv · cs.LG 机器学习精选AI 评分7272 MutAtlas 构建覆盖 PDB 的蛋白质突变效应能量引导图谱
研究团队构建 MutAtlas，在实验解析的蛋白质结构上穷举单点替换，并整合物理能量模型、蛋白质语言模型与逆折叠模型的突变信号，形成覆盖 PDB 的突变增强数据集。
推荐理由：该工作构建覆盖 PDB 的单点突变数据集并统一比较物理能量模型与蛋白语言模型的分歧来源，附评测流程。
arXiv · cs.AI 人工智能精选AI 评分7070 Longtail-SWE：覆盖 13 种低覆盖编程语言的 202 个仓库级任务基准
作者提出 Longtail-SWE，一个包含 202 个 issue 解决任务、覆盖 Clojure、Dart、Elixir、Erlang、F#、Haskell、Julia、Kotlin、Lua、OCaml、R、Scala 和 Swift 共 13 种语言的仓库级基准。
推荐理由：该基准覆盖 13 种在仓库级评测中长期缺位的语言，并公开构建与评测工具，便于读者判断现有模型在小语种工程任务上的真实表现。
arXiv · cs.AI 人工智能精选AI 评分6262 Read-Parse-Describe：面向文档解析与视觉元素描述生成的统一数据集
作者提出 Read-Parse-Describe 统一数据集，要求模型对页面图像输出含边界框、语义标签、阅读顺序、文本内容与视觉元素替代文本的有序版面元素列表。
推荐理由：该基准把版面解析与视觉元素描述合并为单页级任务，并给出统一评测口径，便于比较端到端 VLM 与流水线解析器。
arXiv · cs.AI 人工智能精选AI 评分6363 CamChoreo 基准发布：评测视觉语言模型的时间定位与复合相机运动理解
作者提出 CamChoreo，这是首个面向时间定位与复合相机运动理解的基准，包含 4,229 段单镜头视频和 20 个方向感知标签，近一半片段含复合相机运动。配套约 43K 段同格式训练语料，4B/8B 骨干经 SFT 达到 62.1/64.1 micro F1，超过先进闭源视觉语言模型。
推荐理由：该基准把镜头内相机运动拆成时间区间与复合运动识别，并给出配套训练语料与蒸馏方法，便于读者判断现有 VLM 的短板。