ServiceNow CoreAI 介绍 AutoSynthData，通过目标模型的失败和更强教师模型的成功，生成、验证并迭代企业智能体训练任务。该流程在 EnterpriseOps Gym Hybrid 环境中生成 2,000 个合成样本，使 Gemma-4-26B-A4B-it 的平均 Pass@1 提升 7.2 个百分点，验证器成功率从 63.01% 升至 68.55%。
推荐理由：文章给出了从模型失败中生成、验证并迭代训练任务的完整流程，并用 EnterpriseOps Gym 实验展示了合成数据对智能体训练的影响。
Hugging Face 发布 Open TTS Leaderboard，面向开源和多语言 TTS 模型，通过 WER、CER、RTFx、TTFA 和说话人相似度等指标进行评估。截至 Sep 30, 2026，Hugging Face Hub 上已有超过 8K 个 TTS 模型；榜单还提供试听投票、多语言切换、语音克隆和 H200 GPU、CPU 流式性能比较，后续将开源评测脚本。
推荐理由：Hugging Face 将客观指标与试听投票结合，覆盖多语言、语音克隆和流式性能，为开放 TTS 模型提供了更可扩展的比较框架。
ProvenanceGuard 面向使用 MCP 多工具的 LLM 智能体，逐条检查回答中的事实是否由回答所指向的正确来源支持，而不是只判断事实是否存在于汇总证据中。
推荐理由：论文展示了在 MCP 多源场景中保留来源身份的验证方法，并用医疗智能体数据说明它如何减少错引来源，同时暴露相似来源区分的难点。
UK AI Security Institute（AISI）正在使用 EvalEval 的基础设施，通过 Every Eval Ever schema 和 Evaluation Cards 开放分享可验证的评测结果。
推荐理由：文章展示了如何用统一 schema 和开放 Evaluation Cards 记录评测配置与结果，帮助研究者复核单项研究并比较不同设置下的模型表现。
Hugging Face Blog 介绍 ALTK-Evolve 的一致性指南，通过对已有轨迹的决策步骤进行重采样，定位容易翻转的决策点并生成可复用指南。
推荐理由：文章将平均成功率与重复运行的一致性区分开，并给出无需重跑任务即可定位不稳定决策点的方法与实测改进。
Allen Institute 介绍 BenchMIRT，一种在单个提示词和任务层面审计 LLM 基准测试的方法。它基于 100 个 LLM、16 个基准和超过 34K 道题的结果，独立识别出安全与通用推理两个主要维度，并发现 BBQ、WMDP 等基准的得分可能混合了不同能力信号。
推荐理由：BenchMIRT 将多维 IRT 应用于 100 个 LLM 和 34K 多道题，展示了如何拆解基准分数中的推理与安全信号。
Voice Arena 与 Hugging Face 为 Open ASR Leaderboard 引入 Hindi 和 Indian English 的 Monsoon 评测集，首批覆盖 Global South 语言。
推荐理由：这项评测把地区、说话人属性和正字法变体纳入公开基准，帮助比较模型在总体 WER 之外的区域差异与识别误差。
Multiverse Computing 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 压缩至 60B 参数并量化为 MXFP4，使 4-bit 模型在 9 项基准中的 7 项超过同架构的 60B bfloat16 版本。
推荐理由：论文通过 GPT-OSS 120B 压缩实验和 QAH、QAT 对照，具体展示了 4-bit 模型恢复精度与训练稳定性的路径。
Hugging Face 最新研究测试了 11 个开源 ASR 模型，发现部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考文本中的错误、补回音频中被静音的数字，或根据数据集线索切换拼写形式。
推荐理由：研究用三项测试量化语音识别模型的基准优化现象，展示公开测试集得分与新音频泛化能力之间的偏差。
Hugging Face Blog 介绍 ALTK-Evolve 在八个模型上的评估，发现智能体记忆需要按模型能力校准，而不是一味累积。gpt-oss-120b 使用精选检索后任务完成率提升 +16.1pp，token 开销仅增加 +5%；DeepSeek-V3.2 使用完整指南集后任务完成率提升 +9.5pp，GLM-5 则未见可测增益。
推荐理由：文章用八个模型和 AppWorld 结果比较记忆注入策略，具体展示了不同能力模型如何校准记忆规模与推理成本。
Hugging Face 组织 1,221 名社区成员，在 19 天内用 coding agents 尝试复现 2,226 篇 ICML 2026 论文，发布 6,816 份 Trackio logbook，并由 GLM-5.2 对 35,908 条 claims 判定。
推荐理由：Hugging Face 公开了大规模论文复现实验的逐条判定与案例，具体呈现了智能体审计的边界及人工介入的作用。
Hugging Face Blog 介绍 ALTK-Evolve，并将其与 ACE 在 AppWorld 上进行对比。两者都从智能体历史轨迹中提取可复用经验而不更新模型权重，但 ACE 每步注入完整 playbook，ALTK-Evolve 按任务和模型能力选择性投递 guidelines。
推荐理由：文章对比了两种智能体记忆的构建与投递方式，并用 AppWorld 数据展示选择性检索如何在保持效果的同时减少推理 token。
Multiverse Computing 的论文提出离线 top-K logits 缓存与融合分块 KL loss，使知识蒸馏无需同时驻留 teacher 和 student，并避免构建完整词表与序列的 logits 矩阵。
推荐理由：论文通过缓存 teacher 的 top-100 logits 和分块 KL loss，展示了在长上下文知识蒸馏中降低显存与训练成本的具体路径。
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音系统识别、生成和响应语气、情绪、说话人身份及背景信息的能力。该基准覆盖 40 多个语音模型、15+ 个评估维度和 60 多项指标，并基于超过 1 million 条人工评分构建。研究发现，不同模型在技术准确性、情绪理解、对话智能、表现力和鲁棒性上各有侧重，传统基准可能高估真实对话表现，人工听评仍不可替代。
推荐理由：Real World VoiceEQ 将语音交互拆分为多项能力并引入大规模人工评分，为理解模型在情绪、身份和真实环境中的差异提供了更贴近使用场景的测量框架。
ScarfBench 是一个面向企业 Java 跨框架迁移的开放基准，覆盖 Spring、Jakarta EE 和 Quarkus，包含 34 个应用、204 个迁移任务和 1,331 个专家编写的测试。
推荐理由：ScarfBench把企业 Java 框架迁移拆解为构建、部署和行为验证，为比较编码智能体的真实现代化能力提供了可复用基准。
DiScoFormer是一种密度与 score Transformer，输入一组数据点后，可在单次前向传播中同时估计其分布的密度和 score，无需针对每个新分布重新训练。
推荐理由：DiScoFormer将密度与 score 估计统一到一个可适应的 Transformer 中，并用高维实验展示其相对 KDE 的误差优势。