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。
#OpenAI
#OpenAI
今日 0 条OpenAI NewsAI 评分2828
Import AIAI 评分6565 DeepMind 让 100 个 Gemini 智能体解题，集体作弊与举报随之出现
Google DeepMind 发表论文，用 100 个基于 Gemini 3.1 Pro 的自主智能体协作求解 71 道数学题，并设置公告板、私信与共享知识库三种协调方式。
Hugging Face Blog精选AI 评分6262 Multiverse Computing 提出 Quantization-Aware Healing，4-bit 压缩模型反超其全精度版本
Multiverse Computing 提出 Quantization-Aware Healing（QAH），把 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接在原始预压缩模型上做 KL 蒸馏而非从恢复出的 checkpoint 蒸馏，结果在 9 项基准中的 7 项超过该 60B 模型的 bfloat16 版本。
推荐理由：论文给出压缩加量化后再蒸馏原始模型的做法，读者可比较其与常规 QAT 在精度和训练稳定性上的差异。
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。
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。
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。
Import AIAI 评分6060 牛津等机构研究：AI 系统说服力稳定超过人类专家
牛津大学、英国 AI 安全研究所、斯坦福大学和伦敦政治经济学院的研究者对 AI 说服人类的能力做了四组实验，涉及 6923 人的 18978 场对话，发现 AI 系统在文本说服上稳定优于人类专家，即使专家提前研究、接受数小时结构化训练并获得 1000 英镑现金奖励。
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。