Microsoft 研究员 Jennifer Neville：AI 评测如何暴露模型的“意外失败”
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享与当前 AI 系统协作的实用建议，并强调当结果偏离预期时应仔细审视数据。
#评测/基准
Microsoft ResearchAI 评分2020
Hugging Face BlogAI 评分2323 Falcon-Emirati-7B：让 LLM 学会阿联酋方言、文化与语感
Falcon-Emirati-7B 发布，这是基于 Falcon-H1-Arabic 打造的阿联酋方言专用模型，目标是以母语者的方式理解和生成 Emirati Arabic 的词汇、语气与文化语境。
GitHub Blog · AI & ML精选AI 评分6262 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 代码审查智能体的开放离线基准，研究预览版已上线网站。基准包含来自 187 个开源仓库、19 种语言的 219 个 pull request，其语言和仓库规模分布对齐 GitHub 上 103.9M 个真实 pull request，并采用多来源 golden set 与统一评分标准。
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 代码审查能力如何被量化比较。
Hugging Face Blog精选AI 评分7272 微软与 Hugging Face 发布 ThinkingBox：按数据库终态评测 AI 智能体
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再依据终端后端状态和副作用而非生成的语句来评分，覆盖 507 个有状态业务流程、每个任务重复 20 次。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非工具调用判断成败，并给出 20 次重复的一致性数据。
Latent SpaceAI 评分6262 AINews：GPT-6.1 Sol 与 Sonnet 5.5 重塑成本性能前沿
Latent Space 的 AINews 汇总了 10 月 1 日至 2 日的 AI 动态：OpenAI 发布 GPT-6.1 Sol，定价为每百万输入/输出 token 2 美元/10 美元，据称在 DeepSWE v1.1 上比 GPT-6 Sol 高 6.4 分，在 AutomationBench 上比 Opus 5.5 高 2.2 分。
Latent Space精选AI 评分8181 Gemini 4 Argon 发布：GDM 对标 Astra/Fable，支持 1M 输出
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作和网络防御，首批仅向 Fairwind 计划的政府用户与可信网络安全人员开放，后续再向开发者、企业和消费者开放。
推荐理由：汇总 Gemini 4 Argon 的基准、定价与可用范围，并对比同期 GPT-6.1 Sol 的成本表现。
Hugging Face BlogAI 评分3636 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精选AI 评分6262 NVIDIA 发布 Kumo Tabular 表格预测基础模型
NVIDIA 发布 Kumo Tabular，这是 NVIDIA Kumo Structured 模型集合中的开源表格数据基础模型，已在 Hugging Face 上线。
推荐理由：表格基础模型用单次前向替代逐任务训练，三个尺寸与四个榜单排名给出了可比较的效率与精度参照。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search，用多步检索循环替代一次性 RAG
Mistral 发布 Agentic Search，作为检索层让模型在多步循环中查找、打开、导航、阅读和校验复杂文档中的信息，通过 Mistral Search Toolkit 提供，并内置在 Studio 和 Vibe 的 Libraries 中。
推荐理由：原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断它与一次性 RAG 的差别。
Import AIAI 评分3232 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
DiG-bench（Discovery in Games）发布，包含 70 款隐藏规则的手工游戏，用于测试 AI 通过探索自主发现环境规则的能力，目前仅公开 21 款。Opus 5 与 Fable 5 搭配 Claude Code 表现最佳，仅在 Tier 7 取得 0.2 成功率，而人类可达 100%。Inherent 同期发布 Faraday，用小型开源模型监督前沿模型以提升科研表现。