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。
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细审视数据。
Amazon Bedrock AgentCore Evaluations 支持内置与自定义评估器，可在开发和生产阶段衡量智能体的准确性、任务成功率与行为表现。
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。
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
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。
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复是否有帮助且安全。
英国 AI Security Institute（AISI）正使用 EvalEval 的 Every Eval Ever schema 和 Evaluation Cards 平台公开分享评测结果，以提升评测科学的可复现性。
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 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的新方法，基于多维项目反应理论（MIRT），在 100 个 LLM、16 个基准、超 34K 道题上训练。它未被告知各基准测什么，却自行识别出安全与通用推理两个主导维度，并发现 BBQ、WMDP 等基准的得分更多与通用推理相关而非安全。
Hugging Face 与 Voice Arena 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语由此成为该多语言榜单上首个 Indic 语言。
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。
微软研究院推出 MindTopo 基准，用于评估多模态大语言模型在连通性、分离、顺序、包围和绳结五类拓扑关系上的推理与规划能力。测试显示，当前模型在静态图像识别上明显强于交互式规划任务，失败多发生在规划阶段而非感知阶段，且图像与视频生成工具在跨多步动作中维持拓扑关系并不可靠。
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。
Hugging Face 发布 ScarfBench（Self-Contained Application Refactoring Benchmark），用于评测 AI 智能体在 Spring、Jakarta EE、Quarkus 之间的跨框架迁移能力，包含 34 个应用、102 个框架实现、204 个迁移任务和 1331 个专家测试。
Every Eval Ever（EEE）与 Hugging Face Community Evals 实现互通，评测结果可交叉发布并回链至完整 EEE 记录。EEE 数据存储已收录约 229,000 条评测结果，覆盖超 22,000 个模型和 2,200 个基准，来自 31 种报告格式。
Google 在 Google Labs 上线研究实验 Vantage，用生成式 AI 构建模拟对话环境，评估高中与大学生面向未来的技能，目前提供英文版并可注册。Vantage 与纽约大学合作开发，由 Executive LLM 动态引导对话、AI Evaluator 依据评分量表打分，在 188 名 18-25 岁美国测试者中，AI 评分与人类专家评分的一致性接近两位专家评分者之间的一致性。
Google Research 提出一套框架，用改编自 IRI、ERQ 等心理学问卷的情境判断测试（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。
Google Research 在《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究了评测条目数与每条目标注者数的权衡，发现常用的 1、3、5 名标注者往往不足，可靠结果常需每条目 10 名以上标注者。
Google 与康奈尔大学在《美国国家科学院院刊》发表研究，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由 12 位国际专家按平衡性、全面性、简洁性、证据、图像相关性和定性反馈六项指标盲评打分。
Mistral 提出用 LLM as a Judge 配合 RAG Triad 框架评估 RAG 系统，由 judge LLM 按数值、二元或定性量表为 generator LLM 的回答打分。