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。
#评测/基准
Hugging Face Blog精选 Microsoft Research Microsoft 研究员 Jennifer Neville 谈 AI 评测的意外失败与真实用户需求
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中表示，把模型放到传统 benchmark 之外测试时会出现"意外失败"，评测是推动 AI 系统性能边界、贴合用户需求的关键。
GitHub Blog · AI & ML精选 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放离线基准，基于 1.039 亿个 GitHub PR 的分布特征构建，包含 219 个 PR、覆盖 19 种语言。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解 AI 审查能力的衡量方式。
AWS Machine Learning Blog 用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性
Amazon Bedrock AgentCore Evaluations 支持内置与自定义评估器，可衡量多智能体系统的有用性、任务成功率、指令遵循等质量维度，并支持按需与在线两种模式。
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 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。
Microsoft Research 微软 Skala 1.1 发布：训练数据增 2.5 倍，已接入 CP2K 并将集成 Psi4、FHI-aims、ORCA 和 VASP
微软研究院发布深度学习 DFT 交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 的 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正在集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软推出持续追踪各版本计算性能的 living benchmark。
Mistral AI精选 Mistral 发布 Agentic Search 检索层，FinanceBench 正确率提升至 86%
Mistral 发布 Agentic Search，一个让模型在多步检索循环中查找、检查和验证信息的检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries。
推荐理由：原文给出多步检索循环的五个工具与两组基准数据，可据此判断它相对一次性 RAG 的取舍。
字节 Seed精选 字节 Seed 发布 EdgeBench 评测集，发现环境学习新 Scaling Law
字节 Seed 发布用于衡量真实世界环境学习的超长程评测集 EdgeBench，包含 134 个真实任务，横跨六大能力领域，Agent 在每个任务上可持续工作至少 12 小时。
推荐理由：字节 Seed 开源 EdgeBench 并给出环境学习曲线，读者可了解 Agent 长程学习如何被量化。