司南·Daily Benchmark 专区今日上新！
Deep Research Bench II
一个用于评估深度研究系统生成研究报告的新型评测基准，涵盖 22 个领域的 132 个有事实依据的研究任务。
https://hub.opencompass.org.cn/daily-benchmark-detail/2601%2008536
M3-Bench
一个面向混合动机博弈的多阶段评测基准，并配套引入了一套过程感知的评估框架，可在以下三个模块上开展协同分析：行为轨迹分析；推理过程分析；沟通内容分析。
https://hub.opencompass.org.cn/daily-benchmark-detail/2601%2008462
CLaS-Bench
一个轻量级的并行问题评测基准，用于评估大语言模型在 32 种语言上的语言强制行为，从而支持对多语言 steering 方法进行系统化比较。
https://hub.opencompass.org.cn/daily-benchmark-detail/2601%2008331
MPCI-Bench
首个面向智能体场景的多模态成对情境完整性评测基准， 由源自同一视觉输入的正负样本对构成，并在三个层级展开：规范性的 Seed 判断、富上下文的 Story 推理，以及可执行的智能体行为 Trace。
https://hub.opencompass.org.cn/daily-benchmark-detail/2601%2008235
2025 司南年度最受欢迎评测集评选活动正式火热进行中~
欢迎大家提交 / 推荐 / 投票，让真正有价值的评测工作被更多人看见。
活动页面：
https://hub.opencompass.org.cn/2025-annual-benchmark
