Datalab 发布 OmniParseBench：16,288 道判断题的开源 OCR 基准，Gemini 3.8 Flash 登顶
Datalab 发布开源文档解析基准 OmniParseBench，用 16,288 道 yes/no 测试覆盖 2,937 页、2,343 份文档和 92 种语言，数据集与代码公开。
#评测/基准
MarkTechPostAI 评分3737 Artificial Analysis精选AI 评分6868 Artificial Analysis 发布具身智能基准 AA-Robotics v0.1
Artificial Analysis 推出 AA-Robotics v0.1，用八项具身操作任务评测前沿模型，每题满分 100 分，按完成度和部分进展计分。
推荐理由：Artificial Analysis 首次把具身任务做成可比基准，并给出各模型在八项操作任务上的得分分布。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并开放早期访问
Google 发布地理空间推理智能体的技术报告，在四个基准上对比四种配置，并新开源 GeoKTools 和 GeoExpertQueries 两个基准的开发集。
推荐理由：技术报告给出四套基准与四种配置对比，量化了专用工具和前置规划对地理空间推理的提升。
Ars Technica · AIAI 评分7171 研究称 OpenAI 和 Google 新模型易被诱导生成裸露图像
White Circle 在预印本中披露，使用现成工具和 API 调用，其 RISE 攻击方法可绕过 DALL·E 3、Google Nano Banana 2 和 GPT-Image-2 的安全过滤，约 13% 的请求能生成露骨内容。
Hacker News · AIAI 评分3939 Parsimony：衡量 AI 模型写多少代码的开源基准
开源基准 Parsimony 上线，专门衡量 AI 模型在解题时新增了多少代码，以 coding units（语句、调用、比较、名称、字面量等语法元素）计数而非行数，并减去删除的代码，得出净增单元数。
Microsoft ResearchAI 评分2727 微软 StudentSim：用个性化学生模拟器改进 AI 辅导
微软研究院推出 StudentSim，一个从公开去标识化学习记录中训练个性化 AI 学生模拟器的研究系统，用于在接触真实学习者之前评估和改进 AI 辅导工具。该研究同时提出 StudentSimEval 基准，从行为保真度和指导响应性两个维度评估模拟器，覆盖国际象棋、英语二语写作和数学三个领域，StudentSim 在这些领域均优于主流基线，并为训练 AI 导师提供了有效反馈信号。
Artificial AnalysisAI 评分3434 Artificial Analysis 发布 AA-3D：面向 AI 模型构建交互式 3D 体验的基准测试
Artificial Analysis 发布 AA-3D v1.0，一个用于评测 AI 模型构建交互式 3D 体验能力的基准测试，并同步上线排行榜。该基准还公开了单个场景的构建成本，并展示了一次 agent 运行的内部过程。官方表示，新模型发布后将持续加入 AA-3D 排行榜。
Artificial AnalysisAI 评分5555 Artificial Analysis 上线 FrontierCode 编码基准：领先模型仍有超 40% 失败率
Artificial Analysis 上线由 Cognition 构建的编码基准 FrontierCode 1.1，通过维护者是否愿意合并改动来评测智能体，并考核过度修改、越界改文件等行为。
Artificial Analysis精选AI 评分6969 Artificial Analysis 发布 Harvey LAB-AA v1.1，为法律智能体评测加入幻觉检查
Artificial Analysis 发布 Harvey LAB-AA v1.1，在法律智能体评测中加入幻觉检查，将幻觉分为与来源矛盾、编造来源内容、无记录支持的具体断言三类，并区分重大与轻微，仅重大幻觉触发 Hallucination-Gated All-Pass Rate 的零分。
推荐理由：Harvey LAB-AA v1.1 加入幻觉检查，并给出六个评审模型在同一子集上的对比数据，读者可据此了解法律智能体评测如何衡量幻觉。
Artificial AnalysisAI 评分5252 Artificial Analysis 网络安全指数引入受限访问模型，GPT-6 Sol (Daybreak Blue) 登顶
Artificial Analysis 将其 Cyber Index 排行榜扩展到受限访问模型，首个纳入的是仅通过 OpenAI Daybreak 计划开放的 GPT-6 Sol (Daybreak Blue, max)，该模型登顶指数并位于成本与能力帕累托前沿。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 AI 代码审查开源基准 ReviewBench
GitHub 发布代码审查开源基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 PR。
推荐理由：GitHub 公开了代码审查基准的数据构成与评分方法，读者可据此理解智能体代码审查的离线评测口径。
Hugging Face Blog精选AI 评分6666 Microsoft ThinkingBox：按数据库终态给 AI 智能体打分
Microsoft 与 Hugging Face 联合发布 ThinkingBox，按智能体在隔离 MCP 会话中留下的数据库终态与副作用打分，而非看它生成的回答，已在 Hugging Face 开放框架与数据集。
推荐理由：论文给出 507 个有状态业务流程各跑 20 次的一致性数据，可据此判断智能体可靠性的真实水位。
Hugging Face BlogAI 评分4848 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源与多语言 TTS 模型，单模型评测耗时从收集投票的数周缩短到数小时。
Import AIAI 评分3636 Import AI 469：Science AI、RSI 模拟器与扎克伯格的技术悲观主义
AI newsletter Import AI 第 469 期聚焦三项内容：新基准 DiG-bench 用 70 款隐藏规则的游戏测试 AI 的发现与创造力，在 Tier 7 任务上 Opus 5 与 Fable 5（配合 Claude Code）成功率仅 0.2，而人类可达 100%。