OmniCapBench：面向细粒度音视频描述的分层结构化评估框架
OmniCapBench 将音视频描述评估重构为深度结构化诊断框架，把预测目标从自由文本转为实体引用、视觉镜头和音频事件三类原子化可验证评估单元，并基于 786 段密集标注视频进行确定性约束检查与局部 LLM 语义比较。评测前沿 MLLM 显示其局部感知较强，但长时程音视频推理薄弱，尤其存在身份漂移与跨模态错位问题。
#评测/基准
Hugging Face Daily PapersAI 评分2222
Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队基于 Nemotron 3，用监督微调、强化学习和反馈驱动的推理流程，在 IOI 2026 和 IMO 2026 两项竞赛中均达到金牌水平。
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，可据此复现领域专家模型的训练与推理流程。
Microsoft ResearchAI 评分2222 Microsoft 研究员 Jennifer Neville 谈 AI 评测与「意外失败」的启示
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。
GitHub Blog · AI & MLAI 评分5858 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，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、19 种语言的 219 个 pull request。
Hugging Face Blog精选AI 评分7171 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，它让智能体在隔离的 MCP 工具会话中运行，只根据最终后端状态和副作用打分，而不是看模型生成的文字。
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成败，并给出 20 次重复下的可靠性数据。
Hugging Face BlogAI 评分3838 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。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search 检索层，FinanceBench 准确率提升至 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在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断传统 one-shot RAG 的边界。
Sourcegraph BlogAI 评分2828 如何在自有代码库上评估 Sourcegraph
Sourcegraph 给出了一套在自有代码库上评估其 MCP server 的方法：在 288 个任务中，结构化检索把文件级 F1 从 0.091 提升到 0.240、recall 从 0.120 提升到 0.272，但整体任务完成奖励基本不变。成本则因任务而异，基线智能体广泛搜索时节省 15% 至 51%，基线仅需七次以内搜索即可定位时平均多花 $0.15。
JetBrains AI BlogAI 评分4242 Ponytail Skill for Claude Code 实测：宣称减少 54% 代码，实测仅 15%
JetBrains 用 80 组配对任务实测 Claude Code 的 Ponytail Skill，宣称减少 54% 代码、22% token、20% 成本、27% 时间，实测仅减少 15% 代码、10.3% 成本和 11% 时间，但这是该系列首个成本节省信号统计显著的工具。
Sourcegraph BlogAI 评分4040 Sourcegraph 推出 Code Finder：为编程智能体提供快速高效的代码搜索
Sourcegraph 在 MCP server 中上线智能体搜索工具 Code Finder，它自行运行搜索循环，直接返回匹配的文件路径、行范围和用途说明。基准测试显示，Code Finder 比使用本地搜索工具的编程智能体快 2 倍以上，比调用其 MCP 工具的智能体成本低最多 40%，结果质量相当。该工具已通过 MCP 正式可用，并为 Deep Search 提供文件发现能力。