Benchmark Radar 第六十八天：不看视频也能答的视频测试
Published:
Benchmark Radar 的第六十八天。每日扫描发布 668 条记录，推荐 244 条，领头的是 Video-Index：这个元基准审计视频测试是否真的需要理解视频。记分牌：272 颗星，45 个 fork。
Benchmark Radar 已上线。 每天追踪新的 AI 基准测试、数据集与排行榜：打开仪表盘 或 在 GitHub 上 Star。阅读论文：arXiv:2609.11115。查询数据：Hugging Face 数据集。
本轮抓取 1,424 条，保留 668 条，推荐 244 条。
Video-Index 审计视频测试是否真的需要理解视频。它的五层攻击金字塔逐级测试信息量越来越大的捷径。作者报告，在 35 个被审计的基准上，看不到帧内容的攻击者接近完整视频的准确率，打乱帧顺序后仍保留完整准确率的中位数 96%。
Finding the Right Fit 研究了 66 种智能体配置，把语言模型和它的执行框架（提供工具并管理动作的软件）当作一个整体来评估。它报告了模型排名在不同框架和任务之间发生反转。
Scores That Hold, Benchmarks That Leak 审计公开的脑肿瘤磁共振图像分类语料。它在三个层面检查测试的独立性（重复图像、重复患者、采集来源），并度量每一种泄漏对报告性能的影响。
为什么要在意
如果看不到帧内容的攻击者也能接近满分，这个分数描述的是捷径，和视频无关。一天之内有三项审计，对不同领域问了同一个问题。
解决的问题
- 每日快照：抓取 1,424，发布 668，推荐 244
- 记分牌：272 / 1000 星，45 个 fork
第六十九天：扫描继续，星数来到 272。
想跟进 Benchmark Radar？在 GitHub 上 Star 仓库 获取每日更新，或 打开实时仪表盘 浏览扫描结果。阅读论文：arXiv:2609.11115。