Microsoft Research StudentSim：通过个性化学生模拟改进 AI 辅导
Microsoft Research 提出 StudentSim 研究系统，通过公开去标识化学习者记录训练个性化 AI 学生模拟器，用于在真实学员测试前评估和改进 AI 辅导模型。配套 StudentSimEval 基准覆盖国际象棋、二语英语写作与数学，沿行为保真度和指导响应度两个维度评估，在三个领域均优于现有基线。
#评测/基准
#评测/基准
今日 0 条Microsoft ResearchAI 评分4242
Hugging Face Blog精选AI 评分6969 Nemotron 通过微调与生成-验证-精炼推理在 IOI 和 IMO 2026 达到金牌水平
NVIDIA 在 Hugging Face 博客上介绍基于 Nemotron 3 微调的模型在 IOI 2026 和 IMO 2026 双双达到金牌水平。
推荐理由：把同一套 Nemotron 微调加搜索式推理配方在 IOI 与 IMO 两道不同赛道上都推到金牌水平，开源资产齐备便于复用。
Microsoft ResearchAI 评分3737 AI 会犯哪些错，失败带来什么启示：Microsoft Research 播客对话 Jennifer Neville
Microsoft Research Podcast 主持人 Chad Atalla 与合伙人研究经理、普渡大学教授 Jennifer Neville 对谈，讨论 AI 在传统基准之外测试时出现的"意外失败"，以及评估如何推动模型满足用户需求。Neville 强调训练数据显著影响 AI 行为与用户期望的对齐，并回顾了从数学、物理、认知科学转向 AI 研究的职业路径。
GitHub Blog · AI & ML精选AI 评分6363 GitHub 开源 AI 代码审查评测基准 ReviewBench
GitHub 发布开源 AI 代码审查评测基准 ReviewBench，基于 103.9M 真实 pull request 抽取 219 条跨 19 种语言的样本，资深工程师独立复核与 ground truth 一致率达 96.6%。
推荐理由：ReviewBench 把 GitHub 上真实 pull request 的分布固化为可复现评测，附带资深工程师校验的 ground truth 与自提交 leaderboard。
Hugging Face Blog精选AI 评分6363 微软 ThinkingBox 基准：Agent 自称完成，数据库却不认同
微软联合 Hugging Face 发布 ThinkingBox 基准：用后端数据库终态与副作用评估 AI Agent，覆盖 507 个状态化业务流程、每任务重复 20 次。
推荐理由：原文对比 18 个模型在 507 个状态化工作流上的 pass@1 与 20 次重复一致性，并给出每次可靠任务的成本排序。
OpenAI NewsAI 评分3030 Basis 借助 GPT-6 Astra 将税务工作簿处理速度提升 2 倍
GPT-6 Astra 以 GPT-5.6 Sol 两倍的速度完成了含 50 个标签页的税务工作簿，其对用户意图的理解更强，让 Basis 对真实场景中的使用更有信心。
OpenAI NewsAI 评分3232 OpenAI 推出 MentalHealthBench：评估心理健康对话中 AI 回复的有用性与安全性
OpenAI 推出 MentalHealthBench，这是一个由专家参与制定的基准，用于评估 AI 在现实心理健康对话中给出的回复是否有帮助且安全。
NVIDIA BlogAI 评分4949 NVIDIA Vera Rubin NVL72 首秀 MLPerf Inference v6.1，性能领先
NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 预览提交中首次亮相，在 Qwen3-VL 上吞吐量最高达 GB300 NVL72 的 3.7x，在 DeepSeek-R1 上最高 2.5x。
Hugging Face BlogAI 评分4040 BenchMIRT：LLM 评测基准到底在测量什么？
Hugging Face 提出 BenchMIRT 方法，基于多维 IRT（MIRT）在提示词层面拆解 LLM 评测基准背后的能力信号。该方法在 100 个 LLM、16 个基准和 34K+ 题目上训练，独立恢复出"安全"与"通用推理"两个主导维度。分析显示 BBQ、WMDP 等安全类基准与通用推理关联更强，单一分数可能混合多种信号。
Hugging Face BlogAI 评分5757 Voice Arena 与 Hugging Face 为 Open ASR Leaderboard 加入印度英语与印地语评测集
Voice Arena 与 Hugging Face 在 Open ASR Leaderboard 推出 Monsoon en-IN（印度英语）与 Monsoon hi-IN（印地语）评测集，是该榜单首个面向全球南方语言的测试集。
Google ResearchAI 评分4141 GlucoFM：用于连续血糖监测的基础模型
Google Research 发布 GlucoFM，一个面向连续血糖监测（CGM）的自监督基础模型，采用双流编码器分离血糖慢趋势与短期波动，并在 109,066 小时无标签数据上完成预训练。
Hugging Face BlogAI 评分4242 Hugging Face 提出 Quantization-Aware Healing：4-bit 压缩模型在 9 项评测中 7 项超越全精度原版
Hugging Face 论文提出 Quantization-Aware Healing（QAH）：将 GPT-OSS 120B 结构压缩至 60B 参数并量化到 MXFP4 后。
Hugging Face BlogAI 评分4848 LiquidAI 发布 LFM2.5-DSpark 推测解码草稿模型，推理速度最高提升 3.18 倍
LiquidAI 为 LFM2.5 系列三款模型（1.2B-Instruct、2.6B、8B-A1B）发布 DSpark 推测解码草稿模型，在 H100 上推理吞吐量最高提升 3.18 倍，M4 Max MacBook 上最高 2.87 倍。
Hugging Face BlogAI 评分3131 DharmaOCR 巴西葡萄牙语 OCR 评测：仍优于 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在面向巴西葡萄牙语的 OCR 评测中以 0.925 的提取质量分优于发布更晚的 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587）。
Hugging Face BlogAI 评分5151 Hume 发布 Real World VoiceEQ 语音 AI 评测基准
Hume 在 Hugging Face 发布 Real World VoiceEQ 语音 AI 评测基准，基于超过 100 万条人类评分，覆盖 ASR、TTS、S2S 与语音理解四大类共 15 个评估维度和 60 多项指标，对 40 多款主流专有与开源语音模型进行评测，其中包含 78.5 万条 TTS 评分和 4.8 万条 STS 评分。
Hugging Face BlogAI 评分4343 ScarfBench：评估 AI 智能体在企业 Java 框架迁移中的表现
Hugging Face 推出开源基准 ScarfBench，用于评估 AI 智能体在企业 Java 跨框架迁移任务上的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态，包含 34 个应用、204 个迁移任务和约 15.1 万行代码。
Hugging Face BlogAI 评分4646 Every Eval Ever 与 Hugging Face Community Evals 互通，模型页可展示评测结果
Every Eval Ever (EEE) 与 Hugging Face Community Evals 互通，提交一份结果即可同时显示在 Hugging Face 模型页与基准 leaderboard。
Google ResearchAI 评分4444 Google Research 用生成式 AI 评估未来核心技能的探索：Vantage 实验项目
Google Research 发布研究实验项目 Vantage，借助生成式 AI 在模拟多角色对话中评估批判性思维、协作等未来核心技能。与纽约大学合作对 188 名 18-25 岁美国测试者的研究显示，Executive LLM 可引导对话产出高密度技能信息，AI Evaluator 的评分与人类专家的一致性接近专家之间的一致性。Vantage 现已在 Google Labs 开放英文注册。
Google ResearchAI 评分4444 Google Research 提出框架评估 LLM 行为倾向与人类对齐程度
Google Research 提出框架，通过情境判断测试（SJT）评估 25 个 LLM 的行为倾向与人类对齐程度。研究发现模型在专业场景倾向鼓励情感外露、在社交争端中求和而非坚持立场，且即便人类达成共识时仍偏离多数偏好。120B 以下小模型与前沿闭源模型在 10/10 完全共识时接近完美对齐，但共识度低于 90% 时对齐率仅 80% 出头。
Google ResearchAI 评分4343 Google Research 测试 LLM 在高温超导研究问题上的表现
Google Research 与康奈尔大学在 PNAS 发表研究，让 GPT-4o、Claude 3.5、Gemini Advanced Pro 1.5、Perplexity、NotebookLM 和自建 RAG 系统六款 LLM 回答高温超导领域专业问题。