英伟达团队基于 Nemotron 3 通过 SFT、RL 和生成-验证-精炼推理流程，在 IOI 2026 和 IMO 2026 双双达到金牌水平。IOI 2026 中 Nemotron-3-Ultra-CC 得 535.4/600，高于 361.12 的金牌线；IMO 2026 系统得 30/42，高于 29 的官方金牌线。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可据此复现领域专家模型。
GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 19 种语言、187 个开源仓库的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线信号，读者可据此判断评测结果与线上表现的关系。
Anthropic 发布 Claude Sonnet 5.5，在 Terminal-Bench 4.0 上从上一代 Sonnet 5 的 10.3% 提升到 70.6%，超过上周 Opus 5.5 的 66.4%。
推荐理由：Sonnet 5.5 在多项基准上逼近 Opus 5.5，同时价格只有一半，读者可据此判断中端模型的性价比变化。
IBM 研究团队在 ALTK-Evolve 中新增一致性指南（consistency guidelines）与 Consistency Analyzer，用于诊断并减少智能体在重复运行中的结果波动。
推荐理由：原文给出 Pass^k 与一致性差距的量化诊断方法，并展示把差距减半的实测结果，可迁移到智能体可靠性评估。
Hugging Face 发布研究，提出共识分歧探针、掩蔽实体检索和拼写切换三项测试来量化语音识别中的基准优化现象。
推荐理由：通过三项探针量化语音模型对基准的过拟合，并给出可复用的检测脚本与榜单入口。
微软研究院发布开源框架 Orchard，核心是 Orchard Env 这一可复用的 Kubernetes 环境服务，支持软件工程、网页导航和个人助理三类智能体，并可直接在 Codex、OpenClaw、ZeroClaw 等真实部署框架内训练。
推荐理由：微软研究院开源 Orchard 框架，读者可了解其环境服务如何让同一套基础设施训练软件工程、网页导航与个人助理三类智能体。
Hume 发布 Real World VoiceEQ 基准，用于评估语音交互的人类质量，覆盖 40 多个专有与开源语音模型、15+ 评测维度和 60 多项指标，涵盖 ASR、TTS、S2S 和语音理解。
推荐理由：原文给出语音 AI 在 15+ 维度上的评测结果，读者可据此理解现有基准为何高估真实表现。