Nemotron 微调后在 IOI 2026 与 IMO 2026 双双达到金牌水平
英伟达团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理流程，让 Nemotron 在 IOI 2026 与 IMO 2026 都达到金牌水平。
选题角度：原文公开了 SFT 与 RL 检查点、训练数据集和 NeMo-Skills 推理管线，适合按官方配方复现一次微调加生成验证的流程。
#评测/基准
Hugging Face Blog精选AI 评分6262
Hugging Face BlogAI 评分3434 微软 ThinkingBox 基准测试：AI 智能体自报完成，数据库却不同意
微软与 Hugging Face 联合发布 ThinkingBox 基准，通过 507 个有状态业务流程、每个任务重复运行 20 次，按智能体留下的后端数据库状态和副作用而非生成文本打分。
Hugging Face BlogAI 评分2222 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。
OpenAI NewsAI 评分1818 Basis 借助 GPT-6 Astra 将税务工作簿处理速度提升 2 倍
GPT-6 Astra 完成一份 50 个标签页的税务工作簿，速度是 GPT-5.6 Sol 的两倍。Basis 表示，GPT-6 Astra 对用户意图的理解更强，让其在真实业务场景中的使用更有信心。
OpenAI NewsAI 评分2222 OpenAI 推出 MentalHealthBench 心理健康对话评测基准
OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回复是否有帮助且安全。该基准覆盖多种现实心理健康对话场景，衡量模型回复的助益性与安全性。
Hugging Face BlogAI 评分1818 英国 AISI 采用 EvalEval 基础设施公开评测结果
英国 AI Security Institute（AISI）正使用 EvalEval 的 Every Eval Ever schema 和 Evaluation Cards 平台公开分享评测结果，以提升评测的可复现性。
ElevenLabs BlogAI 评分1515 如何衡量对话式 AI：成功所需的关键指标
衡量对话式 AI 需从质量、体验、运营三类指标入手，核心指标包括 containment rate（零售业标准 60–80%、旅游网站 40–60%）、escalation rate（目标 15–30%）、词错误率 WER（行业标准 5%）、意图识别准确率、响应准确率（一般客服需 80% 以上、支付等敏感场景需 99% 以上）、幻觉率与 CSAT。
NVIDIA BlogAI 评分1717 NVIDIA Vera Rubin NVL72 首登 MLPerf Inference v6.1 性能领先
NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首次预览提交中，于 Qwen3-VL 上吞吐量最高达 GB300 NVL72 的 3.7 倍，DeepSeek-R1 上最高 2.5 倍。GB300 NVL72 以 288 GPU 四机架提交实现 99% 扩展效率，软件优化较 v6.0 带来最高 1.6 倍性能提升。