Hugging Face 发布 Open TTS Leaderboard：面向开源与多语言的 TTS 与声音克隆评测榜
Hugging Face 推出 Open TTS Leaderboard，用客观指标评估开源与多语言 TTS 模型：以 Qwen3 ASR 计算 WER/CER、用 RTFx 和 TTFA 衡量速度、以 WavLM 嵌入向量余弦相似度（SIM）衡量声音克隆。
#评测/基准
#评测/基准
今日 0 条Hugging Face BlogAI 评分4040
OpenAI NewsAI 评分2828 OpenAI 推出 MentalHealthBench：面向心理健康对话的 AI 评测基准
OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回答是否有帮助且安全。该基准覆盖多种现实心理健康对话场景，衡量模型回复的助益性与安全性。
Hugging Face BlogAI 评分4747 Hugging Face 提出一致性指南：让 Agent 重复跑同一任务不再翻车
Hugging Face 发布 altk-evolve 的"一致性指南"（consistency guidelines），配合 Consistency Analyzer 定位 Agent 决策中易翻转的步骤。
Hugging Face BlogAI 评分3131 Hugging Face 推出 BenchMIRT：LLM 基准测试究竟在测什么
Hugging Face 发布 BenchMIRT，一种在单个提示词层面审计 LLM 基准测试的新方法，基于多维 Item Response Theory（MIRT），在 100 个 LLM、16 个基准、超 34K 道题上训练后自主识别出安全与通用推理两个主导维度。
Hugging Face BlogAI 评分4848 Hugging Face Open ASR Leaderboard 新增首个全球南语种：印地语与印度英语评测集 Monsoon
Hugging Face 的 Open ASR Leaderboard 新增 Monsoon en-IN 与 Monsoon hi-IN 两个评测集，这是该榜单多语言标签下首个 Indic 语言，也是其首个全球南语种。
Hugging Face BlogAI 评分4444 Hugging Face 研究：11 款开源 ASR 模型存在基准测试“刷分”现象
Hugging Face 最新研究用三项测试量化语音识别中的“benchmaxxing”，评估 11 款开源 ASR 模型后发现，多款高分模型会复现 VoxPopuli 英文集和 LibriSpeech（clean、other）的基准转录文本，即使音频与之矛盾或相关词已被静音。
Hugging Face BlogAI 评分5050 智能体到底需要多少记忆？ALTK-Evolve 在 8 个模型上的实测
Hugging Face 博客发布 ALTK-Evolve 记忆剂量研究：在 AppWorld 585 个多步任务上测试 8 个模型后发现，智能体记忆不是开关而是需要按模型校准的剂量。
Import AIAI 评分3636 Import AI 469：DiG-bench 游戏基准、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 期介绍了新基准 DiG-bench，用 70 款规则隐藏的游戏测试 AI 自主探索与发现能力，目前仅 Opus 5 和 Fable 5 在 Tier 7 取得 0.2 分，远低于人类的 100%。
Google ResearchAI 评分3939 Google Research 新研究：LLM 事实错误多是"钥匙丢了"，召回而非编码才是瓶颈
Google Research 提出 knowledge profiling 行为框架，用编码、召回、识别三项指标诊断 LLM 的事实性瓶颈，并发布含 2,150 条 Wikipedia 事实的 WikiProfile 基准。
Hugging Face BlogAI 评分3232 ALTK-Evolve 对比 ACE：Agent 记忆更少 Token 实现更高准确率
Hugging Face 的 ALTK-Evolve 与 ACE 同属无权重更新的智能体记忆方案，都把过往轨迹转化为可复用经验，区别在推理时的投递方式。
Import AI精选AI 评分7777 Epoch 与 METR 发布 MirrorCode 基准：AI 可完成数周规模的编程任务
Epoch 与 METR 发布 MirrorCode 基准，让 AI 仅凭 CLI 访问重实现软件程序，25 个目标程序中 17 个有满分运行，Opus 4.7 用 14 小时、251 美元推理成本完成 METR 和 Epoch 估计人类需 2-17 周的任务。
推荐理由：MirrorCode 用 25 个真实程序衡量 AI 自主重实现能力，Opus 4.7 花 14 小时完成人类需数周的任务。
Hugging Face BlogAI 评分4949 Hugging Face 推出 Real World VoiceEQ：衡量语音 AI 的人类品质
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音交互的人类品质，覆盖 40 多个领先闭源与开源语音模型、15+ 个评估维度和 60+ 项指标，涵盖 ASR、TTS、S2S 与语音理解。
Hugging Face BlogAI 评分2929 ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试
Hugging Face 发布开源基准 ScarfBench（Self-Contained Application Refactoring Benchmark）。
Google ResearchAI 评分4141 Google Research 研究：推理如何解锁 LLM 的参数化知识回忆
Google Research 在 COLM 2026 论文《Thinking to Recall》中提出，让 LLM 生成推理轨迹能解锁原本无法触及的参数化事实，且这一效应在简单单跳问题上同样成立。研究用 Gemini-2.5 Flash/Pro 和 Qwen3-32B 在 SimpleQA Verified、EntityQuestions 上对比推理开关，识别出计算缓冲与事实启动两种机制。
Google ResearchAI 评分3030 Google 发布 ConvApparel 数据集，量化用户模拟器的真实感差距
Google Research 推出 ConvApparel，一个覆盖服饰购物场景的 4000 余段、近 15000 轮人机多轮对话数据集，用于量化 LLM 用户模拟器与真实用户的真实感差距。
Google ResearchAI 评分4646 Google Research 评估 LLM 行为倾向与人类的对齐程度
Google Research 提出一套框架，用心理学问卷改写成情境判断测试（SJT），在真实用户-助手场景中评估 LLM 行为倾向与人类共识的对齐程度。对 25 个 LLM 的大规模分析发现两类差距：模型倾向偏离人类标注者共识，以及在无共识时无法覆盖人类意见分布。
Google ResearchAI 评分2828 Google Research 研究：AI 基准测试需要多少标注者才够？
Google Research 用模拟器研究 AI 评测中「标注多少条目（N）」与「每条目标注多少人（K）」的权衡，发现常见的每条目 1、3、5 名标注者往往不够，反映人类观点细微差异常需每条目 10 名以上标注者。若只关心多数投票，增加条目更有效；若想捕捉观点分布，则必须增加标注者；在约 1000 条总标注的适度预算下，按指标选对比例即可获得高可复现结果。该模拟器已在 GitHub 开源。
Google ResearchAI 评分4141 Google 用 67 道高温超导题测试 6 款 LLM：NotebookLM 表现最佳
Google 与 Cornell University 合作在 PNAS 发表研究，用 67 道高温超导领域专家题测试 6 款 LLM，由国际专家小组按 6 项指标盲评打分。