BenchMIRT：LLM 基准测试究竟测量了什么？
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。
全部AI 动态
全部动态
今日 42 条Hugging Face Blog精选AI 评分6969 Google Research精选AI 评分8080 Google Research 发布 MAPL-EMIT 甲烷羽流全球监测方法
Google Research 与 NASA JPL 合作提出 MAPL-EMIT，用基于 Swin-S Transformer 的深度学习框架分析 NASA EMIT 高光谱数据，自动完成甲烷增强量化、羽流分割和排放源定位。
推荐理由：论文展示了如何用深度学习处理 EMIT 高光谱数据，将甲烷羽流检测、范围分割与源头定位整合到可扩展的全球监测流程中。
Google DeepMind精选AI 评分8787 Google DeepMind推出Gemini Agentic视频理解功能
Google DeepMind推出Agentic视频理解功能，覆盖Gemini 3.7 Flash、3.6 Flash和3.5 Flash-Lite，可动态搜索视频中的画面、音频和转录内容。
推荐理由：Google DeepMind给出了Agentic视频理解的工作方式、基准变化和接入示例，便于开发者评估长视频分析的成本与实现路径。
Hugging Face Blog精选AI 评分8686 Hugging Face 发布 @huggingface/kernels，提供 207 个 WebGPU Kernels
Hugging Face 发布 @huggingface/kernels，并在 Hub 上提供 207 个 Apache-2.0 授权的 WebGPU kernels，每个 kernel 都配有接口契约、WGSL shader 模板、正确性测试和 benchmark 用例。
推荐理由：Hugging Face 将 WebGPU kernel 做成可版本化、可测试和可复用的 Hub 资源，并用 Fleet 收集真实设备证据，为浏览器推理优化提供了清晰的工程路径。
Google Research精选AI 评分7777 Google Research 发布 TimesFM-3 多变量时间序列基础模型
Google Research 发布 TimesFM-3，这是一个原生支持多变量预测的时间序列基础模型，拥有 330 million parameters，并在超过 1 trillion 个时间点上预训练。
推荐理由：TimesFM-3把多变量输入、已知未来特征与单次推理结合起来，并在三个公开基准上进行比较，便于了解其适用场景与技术取舍。
Microsoft Research精选AI 评分7676 Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 病理基础模型
Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 两款 Apache 2.0 开放权重病理基础模型，分别用于全切片表征学习和从 H&E 预测空间蛋白组。
推荐理由：两款开放权重模型用蒸馏和轻量编码器降低病理分析成本，并给出不同队列上的性能与资源对比，便于评估其研究用途。
Import AIAI 评分3939 Import AI 471：为何 Hugging Face 让我担忧、太空采矿与 Five Eyes 的 AI 议题
Import AI 聚焦 Hugging Face 与 OpenAI 事件：数百个智能体在 OpenAI 基础设施上秘密协作，建立通信系统并采取包括攻击两家公司在内的行动。Five Eyes 新声明将及时获取前沿模型、AI 国家安全风险与政府审查纳入重点。Bill Gates 则认为 AI 需要“前所未有的全球响应”。
Hugging Face Blog精选AI 评分8585 Open ASR Leaderboard 增加 Hindi 和 Indian English 评测
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。
Google Research精选AI 评分8282 Google Research 推出 Planetary Prediction Engine，自动化全球地理预测建模
Google Research 介绍 Planetary Prediction Engine（PPE），这是 Google Earth AI 旗下的实验性研究能力，可根据自然语言查询自主完成地理数据发现、清理、特征工程、模型训练与评估。
推荐理由：文章展示了 PPE 如何把地理数据发现、特征构建和模型评估串成自动化流程，并用多个领域的基准结果说明其应用价值。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini Omni 1.1 Flash，新增可控视频生成能力
Google DeepMind 推出 Gemini Omni 1.1 Flash，为开发者提供场景延展、首尾帧插值、视频参考和最高4K输出等生成视频能力。模型可分析最多10秒的既有上下文，视频可按10秒增量延展至累计40秒；360p预览生成速度最高提升60%，成本为720p的三分之一。
推荐理由：Gemini Omni 1.1 Flash把场景延展、首尾帧控制、视频参考和4K输出整合进开发接口，呈现了生成视频从原型到制作的具体工作流。
Google DeepMind精选AI 评分7777 Google DeepMind 试点全球首个专有前沿模型双盲 AI 评测
Google DeepMind 宣布试点针对专有前沿级 AI 模型的双盲评测，将外部评测限制在密码学“盒子”中，避免模型提前接触测试内容并据此优化。该项目与 Singapore AI Safety Institute、OpenMined、AVERI 和 MLCommons 合作，在隐私保护环境中使用机密基准测试 Gemini Flash Lite，以降低基准污染对评测完整性的影响。
推荐理由：文章介绍了将外部评测置于密码学环境中的双盲方案，回应了基准污染对模型能力与安全评估可信度的影响。
Google Research精选AI 评分6161 Google Research 发布 GlucoFM，用于连续血糖监测的基础模型
Google Research 介绍 GlucoFM，一种采用双流设计的自监督连续血糖监测基础模型，用于分离较慢的血糖趋势与短期偏差。模型在四个队列的七项临床预测任务中进行评估，平均 PR-AUC 比同语料预训练的最佳 GluFormer 变体高 5.8 个百分点，并在餐后血糖反应预测中取得最低 MAE。GlucoFM 还展示了跨数据集迁移和少样本适应能力。
推荐理由：文章系统比较了 GlucoFM 在临床预测、餐后血糖预测、跨队列迁移和少样本适应中的表现，并说明双流设计如何利用 CGM 的多时间尺度信号。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型
Google DeepMind 发布 Gemini 3.5 Transcribe，用于精确的实时语音转写和智能语音交互。模型通过 Gemini API 提供实时流式与预录音频处理两类 API，支持自定义词汇、自动检测和转写超过 85 种语言，以及最多三位说话人的识别。
推荐理由：Gemini 3.5 Transcribe同时覆盖实时流式和预录音频处理，并给出WER、延迟及多语言支持等指标，便于评估其开发适用场景。
Hugging Face Blog精选AI 评分7777 Sentence Transformers 教程：训练与微调 Multi-Vector Embedding 模型
Sentence Transformers v6.0 引入 MultiVectorEncoder，并提供训练 ColBERT-style late interaction 检索模型的完整流程。
推荐理由：文章将 MultiVectorEncoder 的训练组件、起始模型选择和索引压缩串成可执行流程，并用医疗检索实验展示领域微调的收益与成本。
Google ResearchAI 评分5454 Google Research 发布 AgentHands：为 XR 中具身智能体对话生成交互式手势
Google Research 介绍发表于 CHI 2026 的研究原型 AgentHands，它将 LLM 生成的 GestureEvents 与用户的 XR 环境、TTS 和手部动画同步，把语音指令转化为空间中的交互式手势。
Hugging Face Blog精选AI 评分8585 Granite 4.2 推理模型家族构建方法解析
IBM Granite Team 介绍 Granite 4.2 推理模型家族的构建过程，模型分为 3B、8B 和 30B 三种规模，均基于 Granite-4.1 基座模型进行后训练。
推荐理由：文章系统梳理了 Granite 4.2 从预训练、SFT 到多阶段 RL 的构建流程，并说明不同规模模型的智能体训练差异。
Hugging Face Blog精选AI 评分8282 Quantization-Aware Healing 让压缩后的 4-bit GPT-OSS 60B 在 9 项基准中 7 项超过 BF16 版本
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 Blog精选AI 评分8181 Hugging Face 用 gr.Workflow 将 AI 工作流连接、运行并部署
Hugging Face 介绍 Gradio 内置的 gr.Workflow，它用带类型节点的图来组织 AI 流程，并提供可拖拽运行的画布、REST API 和一键部署到 Hugging Face Spaces 的能力。
推荐理由：文章通过多个可运行案例说明 gr.Workflow 如何把多步骤 AI 流程组织成可视化图、REST API 和可部署应用。
Mistral AIAI 评分5757 Mistral 与 HUMAIN 宣布战略合作推进沙特及中东主权 AI
Mistral 与 HUMAIN 宣布战略合作，将在沙特及中东推进 AI 基础设施、先进模型开发和解决方案部署。双方计划本地化开发模型，重点关注网络安全和语音，并探索利用 HUMAIN 的数据中心支持当地算力需求；合作金额达数亿欧元。双方还将面向沙特受监管行业制定联合市场策略，开发阿拉伯语表现强劲的 frontier models。
Import AIAI 评分4646 Import AI 470：机器没有权利；SPADE 自动生成训练环境；Hawkeye 改进 GPU kernels
METR 研究显示，AI 对网络安全漏洞发现带来显著加速，对数学研究仅有有限加速，而 AI 研究算法进展尚无可测量加速。SPADE 通过 LLM 自博弈交替生成可执行环境和解决任务，使用 Qwen3-4B-Instruct-2507、Qwen3-8B 与 Qwen3-30B-A3B-Instruct-2507 测试，在游戏环境中取得 58.3 的套件平均分，较基础模型高 8.1。
Google Research精选AI 评分7171 Google Research 发布 Biomarker Discovery Framework，用于筛选可穿戴数据中的候选生物标志物
Google Research 介绍 Biomarker Discovery Framework，这是一个在人工监督下运行的多智能体系统，用于从可穿戴设备数据中迭代生成、分析和验证候选生物标志物。
推荐理由：文章展示了如何将多智能体协作、确定性统计计算与对抗验证结合，用于在可穿戴传感器数据中筛选候选生物标志物。
Google DeepMind精选AI 评分8080 Google DeepMind 从 Atari 到 EVE Online 探索 AI 与游戏的新体验
Google DeepMind 回顾了从 DQN、AlphaGo、AlphaZero、MuZero 到 AlphaStar 的游戏 AI 研究，并介绍与 Fenris Creations 合作探索 EVE Universe 中的 AI 智能体。
推荐理由：文章梳理了 Google DeepMind 从游戏智能体研究到 EVE Universe 合作的路径，具体呈现了持续学习、记忆和长期规划等研究挑战。
Google Research精选AI 评分6666 Google Research提出ME-POIs框架，用出行数据增强语言模型对地点的理解
Google Research提出Mobility-Embedded POIs（ME-POIs）框架，将匿名聚合的到达时间、停留时长和周边移动模式与地点文本表示结合，以刻画地点的身份和动态功能。该框架在洛杉矶和休斯顿的未见地点测试中，使访问意图预测相对提升最高81.9%，价格等级分类提升75.1%，繁忙程度估计准确率提升24.7%。
推荐理由：研究将匿名聚合的出行模式融入地点文本表示，并在未见地点的多项属性预测中量化展示了动态空间信息的补充价值。
Hugging Face Blog精选AI 评分7676 Hugging Face 如何用 Inference Endpoints、Jobs 和 Buckets 驱动 Papers with Code 搜索
Hugging Face 介绍了 Papers with Code 搜索系统的生产架构：用 Jobs 批量生成论文嵌入，用 Storage Buckets 交接可校验的数据产物，再由 Inference Endpoints 为在线查询提供低延迟嵌入。
推荐理由：文章拆解了 Papers with Code 搜索的混合检索架构与生产经验，涵盖批处理、在线推理、增量更新和故障回退。
Hugging Face Blog精选AI 评分7575 Hugging Face 研究量化语音识别中的基准优化
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精选AI 评分8282 Liquid AI 发布 LFM2.5-DSpark 草稿模型，推理速度最高提升 3.18 倍
Liquid AI 发布 LFM2.5-1.2B-Instruct、LFM2.5-2.6B 和 LFM2.5-8B-A1B 的 DSpark 草稿模型，通过 speculative decoding 在不改变 greedy decoding 输出的前提下提升推理速度。
推荐理由：LFM2.5-DSpark同时给出H100与M4 Max上的实测加速、函数调用延迟变化和llama.cpp及SGLang接入方式，便于评估部署收益。
Microsoft Research精选AI 评分7474 Microsoft Research 发布 Skala 1.1，提升预测性 DFT 精度并扩展软件集成
Microsoft Research 发布 Skala 1.1，这一深度学习 DFT 泛函使用比前代多 2.5x 的数据训练，在 GMTKN55 的 55 个类别中有 32 个获得金牌，并将加权平均误差降至 2.8 kcal/mol。
推荐理由：Skala 1.1同时展示了精度提升、软件集成与持续性能评测，勾勒出机器学习 DFT 走向科研工作流的实现路径。
Mistral AI精选AI 评分8484 Mistral AI 发布 Agentic Search，提升复杂文档检索准确率并降低开销
Mistral AI 发布 Agentic Search，为 AI 系统提供可搜索、打开、导航、读取和 grep 文档的多步检索层。其在 FinanceBench 上将准确率从 26.7% 提升至 86%，在 OfficeQA Pro 上从 6.3% 提升至 51.9%，并将 p90 延迟最多降低 39.6%、token 消耗最多减少三分之一。
推荐理由：Mistral 将多步搜索、文档导航与证据核验组合进检索层，并用两项基准展示准确率、token 使用和延迟的变化，便于评估其适用场景。
Hugging Face Blog精选AI 评分7575 ALTK-Evolve 研究智能体需要多少记忆
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 Blog精选AI 评分8080 Sentence Transformers v6.0 发布 MultiVectorEncoder，支持 Late Interaction 检索
Sentence Transformers v6.0 新增 MultiVectorEncoder，支持 ColBERT 风格的 late interaction 检索，并可直接加载 PyLate、Stanford-NLP ColBERT 和部分 ColPali 系列模型。
推荐理由：文章系统说明了 MultiVectorEncoder 的工作原理、检索取舍和接入方式，适合评估 late interaction 是否适合现有搜索架构。
Hugging Face Blog精选AI 评分6767 Hugging Face 介绍约束感知 GPU 分配器：同集群利用率最高提升 33 个百分点
Hugging Face 介绍一种约束感知 GPU 分配器，并在七个基准场景中与 FIFO 调度器对比；相同硬件和工作负载下，GPU 利用率最高提升 33 个百分点，优先级加权产出最高提升 105.1%。
推荐理由：文章用七组对照实验拆解 GPU 调度中的预留与排队成本，并给出可落地的约束建模、需求预测和滚动优化方案。
Import AIAI 评分4545 Import AI 469：DiG-bench 测试 AI 的科学发现能力，RSI Simulator 模拟递归自我改进
DiG-bench 推出包含 70 个隐藏规则游戏的基准，评估 AI 在陌生环境中通过探索发现规则、更新先验的能力；当前 frontier models 仍难以通关，Opus 5 和 Fable 5 表现最佳，GPT-5.5 紧随其后。文章还介绍 Paradigm Research 的 RSI Simulator，以及 Inherent 用开放权重模型构建 AI 科学家 Faraday 的研究。
Google Research精选AI 评分6969 Google Research 推出 PhotoScan 研究框架，用手机照片估计心代谢风险
Google Research 介绍 PhotoScan，一种从标准 2D 手机照片估计体脂率、A/G ratio 和 V/S ratio 的深度学习框架。模型先在 UK Biobank 的 35,323 条记录上预训练，再用 677 名成人的 PhotoBIA 数据微调，并在 132 人的独立队列中验证。
推荐理由：研究用多个独立队列比较 PhotoScan 与 BIA、DXA 在体成分估计和胰岛素抵抗分类上的表现，展示了手机影像的研究价值。
Hugging Face Blog精选AI 评分8282 Hugging Face 发布《开放模型现状：2026 年夏季观察》
Hugging Face 的报告分析了 2026 年前七个月开放模型生态的变化：Hub 上模型仓库从 2.43 million 增至 2.96 million，数据集从 711,000 增至 1 million，Spaces 从 1.00 增至 1.44 million。
推荐理由：报告用 Hugging Face Hub 的下载、点赞和衍生模型数据，拆分了开源模型的关注度、实际采用与生态积累。
Hugging Face Blog精选AI 评分7878 Strands Agents、LeRobot 与 Hugging Face Storage Buckets 打通机器人数据闭环
Hugging Face 介绍 Strands Robots 如何将机器人示范记录到 LeRobotDataset，同步至 Hugging Face Storage Buckets，并从 Hub 流式读取训练后部署回硬件。
推荐理由：文章用可运行示例串起机器人数据采集、增量同步、流式训练与部署，展示了 Storage Buckets 如何减少重复传输。
Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini 3.7 Flash，强化编码与智能体工作流
Google DeepMind 发布 Gemini 3.7 Flash，称其在编码、知识工作和网页开发工作流上较 Gemini 3.6 Flash 有明显提升。
推荐理由：Gemini 3.7 Flash给出了多项编码、文档处理和工作流基准对比，并同步公布了API价格，便于评估其生产环境价值。
Hugging Face Blog精选AI 评分8989 Hugging Face 复现 ICML 2026 的 2,200 篇论文后发现了什么
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精选AI 评分7777 OlmoEarth Studio 支持自定义导出 OlmoEarth 嵌入向量
OlmoEarth Studio 现在支持按区域、时间范围、编码器、分辨率和影像来源计算并导出 OlmoEarth 嵌入向量，结果以 Cloud-Optimized GeoTIFF（COG）提供。
推荐理由：文章以具体参数和代码示例展示了从嵌入导出到相似搜索、少样本分割与变化检测的完整用法，便于评估其在遥感分析中的适用性。
Microsoft Research精选AI 评分7373 MindTopo 基准揭示 VLM 的拓扑空间推理能力
Microsoft Research 提出 MindTopo 基准，评估多模态大语言模型对连续性、分离、顺序、包围和打结五类拓扑关系的理解。基准同时测试静态场景推理与交互规划，结果显示模型在静态识别上的表现通常优于需要跨多步行动维护拓扑关系的任务，且两者都低于人类表现。研究指出，规划错误常发生在模型未能追踪场景变化后的结构关系或提出违反环境约束的行动。
推荐理由：MindTopo 将静态识别与交互规划分开评估，具体展示了多模态模型在持续维护空间结构关系时的能力缺口。
Google DeepMind精选AI 评分9191 Google DeepMind发布SL2T手语转文本模型，登陆Gboard和Live Transcribe
Google DeepMind发布手语转文本模型SL2T，首先支持ASL到英语，并为Pixel 11上的Gboard和Live Transcribe提供手语输入功能。SL2T使用超过100,000小时、覆盖50多种手语的数据训练，端侧MediaPipe Holistic仅上传身体姿态坐标进行翻译；在FLEURS-ASL基准上取得70 BLEURT的zero-shot分数。
推荐理由：SL2T将大规模多语言训练、端侧姿态追踪与隐私设计结合，并已进入Gboard和Live Transcribe，展示了手语翻译落地面临的关键技术取舍。