Hugging Face 发布 agent-eval 评测工具，用 transformers 作为案例，衡量智能体完成任务的过程成本而非只看最终答案。该工具在 bare、clone、skill 三种层级下运行模型×版本×任务的组合，每个组合作为独立 Hugging Face Job 在相同硬件上并行执行，并记录 match %、时间、token 和错误率等指标。
AI 评分 62 / 100
Hugging Face 与 Appen Inc.、DataoceanAI 合作，为 Open ASR Leaderboard 引入覆盖多口音、朗读与对话语音的高质量英文 ASR 私有数据集，以防刷榜和测试集污染。榜单默认平均 WER 仍只基于公开数据集计算，用户可通过开关选择是否纳入私有数据集。该榜单自 2023 年 9 月上线以来访问量已超 710K 次。
AI 评分 36 / 100
Hugging Face 推出 VAKRA，一个面向企业级环境的可执行基准，用于评测 AI 智能体的组合式推理与工具调用能力。该基准提供 8,000+ 本地托管 API、覆盖 62 个领域，任务需 3-7 步推理链，包含 API 链式调用、工具选择和多跳推理四类任务，模型整体表现不佳。博客还分析了不同任务上观察到的失败模式。
AI 评分 39 / 100
千问 Qwen3.5-Max-Preview 已部署至 LMSys Arena 平台，初步评估中展现出卓越性能。接下来两周将进行最终优化并准备正式发布，期间社区用户可参与评估该模型能力。 brief: yes
AI 评分 42 / 100
Google DeepMind 发布论文《Measuring Progress Toward AGI: A Cognitive Taxonomy》，提出用认知科学衡量 AGI 进展的框架，涵盖感知、生成、注意力、学习、记忆、推理、元认知、执行功能、问题解决和社会认知 10 项认知能力，并配套三阶段评估协议。
AI 评分 50 / 100
Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，在原有 FACTS Grounding 基础上新增 Parametric、Search、Multimodal 三项基准，并将 Grounding 升级至 v2，共 3,513 个公开样例，另设私有留出集，由 Kaggle 管理并维护公开排行榜。
AI 评分 42 / 100