AllenAI 介绍 BenchMIRT，一种在单个提示词和任务层面审计 LLM 基准测试、拆分潜在能力信号的方法。该方法基于 100 个 LLM、16 个基准和超过 34K 个问题训练，独立识别出安全与通用推理两个主要维度。实验显示，保留 10% 的问题通常能接近完整评测的能力判断，预测未观测问题正确率为 79%，高于简单基线的 70%。
推荐理由：BenchMIRT将基准分数拆解到模型能力与单个题目层面，帮助研究者识别安全和推理信号的混杂，并压缩评测规模。
Hugging Face 与 Voice Arena 发布 Monsoon en-IN 和 Monsoon hi-IN 评测集，将 Hindi 和 Indian English 纳入 Open ASR Leaderboard。四个公开与私有切分共覆盖 4,888 名说话人，并记录 12 项说话人属性；Hindi 使用接受多种书写变体的 OIWER 评估，相关实现 voi-oiwer 也已开源。
推荐理由：文章展示了如何将公开和私有切分、说话人元数据与 Hindi 的 OIWER 结合，用于定位不同地区和书写变体下的 ASR 误差。
Multiverse Computing 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 压缩为 60B 参数并量化至 MXFP4，在 9 项基准中的 7 项超过同架构 BF16 检查点。
Hugging Face 的研究对 11 个开源 ASR 模型进行三类测试，发现部分高分模型会利用 VoxPopuli 和 LibriSpeech 的基准线索优化转录结果。
推荐理由：文章通过参考答案分歧、实体遮蔽和拼写切换三类测试，展示公开语音基准分数如何偏离真实转录能力。
ALTK-Evolve 在 AppWorld 的八模型评测显示，智能体记忆的合适剂量取决于模型能力：强模型适合完整指南集，较弱模型适合固定核心加按任务检索，已饱和模型未见可测增益。
推荐理由：文章用 AppWorld 上八个模型的对比，说明智能体记忆应按模型能力校准，并展示完整指南集与精选检索在效果和 token 成本上的差异。
Hugging Face组织的社区挑战在19天内复现了2,226篇ICML 2026论文，发布6,816份Trackio logbook并判定35,908条科学主张。
推荐理由：这篇复盘以大规模复现数据呈现智能体审查论文的能力边界，并具体说明人类如何通过设定环境和校验关键假设提升结果可靠性。
Multiverse Computing 的论文提出离线缓存教师模型的 top-100 logits，并使用 fused chunked KL loss 降低大语言模型知识蒸馏的显存占用。
推荐理由：文章将离线 top-100 logits 缓存与 fused chunked KL loss 结合，展示其如何降低长上下文蒸馏的显存和训练成本。
Real World VoiceEQ 发布，用于评估语音系统识别、生成和响应语音中非文本声学信息的能力。该基准覆盖 40 多个语音模型、15+ 个评测维度和 60 多项指标，并基于超过 1 million 次人类评价构建。研究发现，不同模型在技术准确性、情绪理解、表达能力和稳健性等方面各有侧重，自动评测尚不能替代涉及声学情境和社会理解的人类听评。
推荐理由：该基准以超过 1 million 次人类评价衡量语音交互质量，展示了传统指标难以覆盖的情绪、身份和真实环境表现差异。
ScarfBench 是一个用于评估 AI 智能体执行企业 Java 跨框架迁移的开放基准，覆盖 Spring、Jakarta EE 和 Quarkus。基准包含 34 个应用、204 个迁移任务和约 151K 行代码，要求应用完成构建、部署并通过行为验证；当前最强智能体的行为成功率仍低于 10%。
推荐理由：ScarfBench把企业 Java 框架迁移拆成构建、部署和行为验证，揭示编码智能体在可编译代码之外仍受配置与运行环境依赖影响。