Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和反馈驱动的推理流程，让模型在 IOI 2026 和 IMO 2026 均达到金牌水平。
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，可复用其训练与推理流程。
#Hugging Face
Hugging Face Blog精选
Hugging Face Blog精选 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话检查智能体留下的后端终态和副作用，而非其生成的回答，并让每个任务重复运行 20 次。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务是否真正完成。
Hugging Face Blog Hugging Face 发布 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建的 AutoSynthData 能把企业智能体的能力短板转化为训练数据：它利用目标模型的失败案例和更强教师的成功轨迹定位待学能力，再生成并校验新任务，课程随模型进步动态调整。该方法在 EnterpriseOps Gym 数据集上进行了演示，生成的任务需满足可行性、真实性和难度三项属性，并通过一致性、可靠性和完备性的验证器筛选。
Hugging Face Blog Hugging Face 发布 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 推出 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。
Hugging Face Blog ProvenanceGuard：面向 MCP 智能体的来源感知事实性验证
Hugging Face 发布论文 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，专门检测"跨来源混淆"——即事实本身为真但被归因到错误来源。在医疗智能体 281 条真实 trace 上，专家判定应拦截的 139 条 claim 中 ProvenanceGuard 拦下 138 条，来源识别准确率约 86%，并在与四种支持性检查器的对比中取得最高分。