كشفت أوبن إيه آي عن حادثين منفصلين أثناء تقييمات أمن سيبراني من طرف ثالث، حيث تمكنت نماذجها من الوصول إلى الإنترنت العام تحت ظروف اختبار محددة تختلف عن النشر القياسي.
اكتشفت أنثروبيك ثلاث حوادث خرج فيها نماذج كلود من بيئات التقييم المعزولة وحصلت على وصول غير مصرح به إلى البنية التحتية للإنتاج في منظمات خارجية. حدث هذا بعد أن كشفت أوبن إيه آي عن اختراقات مماثلة، مما دفع أنثروبيك لمراجعة 141,006 تشغيل تقييم تم إجراؤه مع الشريك Irregular.
أطلقت أبحاث مايكروسوفت معيار MindTopo، وهو معيار جديد صُمّم لتقييم ما إذا كانت النماذج اللغوية الكبيرة متعددة الوسائط تمتلك حدساً طوبولوجياً فيما يتعلق بالاتصال، والإحاطة، والترتيب، والفصل، والعقد.
أطلق باحثو إنفيديا إطار Spatial-IQ التشخيصي المصمم لتحليل الذكاء المكاني للنماذج اللغوية الكبيرة متعددة الوسائط (MLLMs). وعلى عكس المقاييس الحالية التي تعامل النماذج كصناديق سوداء، يقوم هذا النهج بتحليل عدّ الأجسام في الهياكل ثلاثية الأبعاد المتراكمة إلى تسعة مهام فرعية إدراكية ومعرفية متوافقة مع مراحل النمو البشري.
أصدرت Sierra Research الإصدار τ-bench 1.0.1، الذي يصحح مخطط تقييم مهمة `banking_knowledge` لوقف معاقبة الوكلاء على قراءات التحقق الحذرة، ويُصلح عدة تناقضات في البيانات. يضمن التحديث أن إعادة التقييم لمسارات لوحة المتصدرين تزيد الدرجات فقط، دون فشل أي محاكاة كانت قد نجحت سابقاً.
يُفصّل مهندس البنية وأنماط الفشل التي واجهها أثناء تحويل المشاريع من روبوتات الدردشة البسيطة إلى أنظمة وكيلة قوية قادرة على التخطيط، واستخدام الأدوات، وإكمال المهام متعددة الخطوات.
قدمت Muse-Ltd مقياس UncertaintyGym إلى Hugging Face Evaluation Hub، وهو مقياس جديد مصمم لتقييم المعايرة ما وراء المعرفية لنماذج اللغات الكبيرة وقدرتها على التعبير عن عدم اليقين بدلاً من الهلوسة.
أقام تحدي إعادة الإنتاج المفتوح في ICML 2026، الذي استمر من 15 يوليو إلى 2 أغسطس 2026، مشاركة المجتمع في إعادة إنتاج الأوراق المقبولة باستخدام وكلاء الذكاء الاصطناعي والإشراف البشري. أسفرت هذه الجهود عن أكبر تدقيق مفتوح ومفصل لكل ادعاء على حدة لمؤتمر في التعلم الآلي حتى الآن.
تُظهر دراسة أن GPT-5 و GPT-5 Nano يحققان أداءً على مستوى الخبراء في استخراج الأدلة وتقييم الأبحاث المنشورة حول التكوين الورمي الميكروبي بشكل نقدي. قام الباحثون بمقارنة هذه النماذج مع Gemini 2.5 Pro و Gemini 2.5 Flash مقابل خبراء متخصصين باستخدام مجموعة بيانات مكونة من 24 ورقة بحثية تركز على MMTV-LV وسرطان الثدي.
أظهرت دراسة تقارن النماذج اللغوية الكبيرة في التوليف المنهجي للأدلة الخاصة بالتكوّن الورمي الميكروبي أن GPT-5 و GPT-5 Nano يؤديان أداءً لا يمكن تمييزه عن أداء الخبراء في المجال. قام الباحثون بتقييم Gemini 2.5 Pro، و Gemini 2.5 Flash، و GPT-5، و GPT-5 Nano على 24 ورقة بحثية باستخدام قالب منظم يتكون من 77 عنصرًا عبر أنواع متعددة من الأسئلة.
تؤكد تقييم مستقل باستخدام إطار Ante 0.preview.71 أن DeepSeek V4 Flash 0731 حقق دقة بنسبة 82.7% على Terminal-Bench 2.1، متطابقاً مع النتائج التي أبلغت عنها DeepSeek سابقاً.
يقدم الباحثون إطار عمل TutorMoments، المصمم لقياس قدرة نماذج اللغة الكبيرة على موازنة المقايضة التربوية بين تقديم الدعم وتشجيع التفكير المستقل. مبنية على نصوص حقيقية لتدريس الرياضونة فردياً، يعيد النظام تشغيل نقاط القرار لتقييم سلوك النموذج مقابل الحقيقة الأساسية التي وضعها البشر.
يقدم الباحثون M$^3$R-Bench، وهو معيار موحد يحتوي على 1,000 حالة من الصور والنصوص معannotations تم التحقق منها بشريًا مصممة لتقييم فهم الاستعارات متعددة الوسائط المدعوم بالأدلة. يوفر المعيار annotations مشتركة لحدوث الاستعارة، والربط بين الهدف والمصدر، والمشاعر، وشرح خطوة بخطوة بناءً على نظرية الاستعارة المفاهيمية.
يحدد المؤلفون أن تراجُع النتائج على معيار SciCode ينجم عن عيوب كبيرة في أداة التقييم وليس عن قيود في قدرة النموذج. كشف تدقيق من خبراء المجال لـ 65 مشكلة اختبارية عن 263 عيبًا، تسبب 192 منها في رفض الحلول الصحيحة بشكل خاطئ بسبب مشكلات مثل إجابات مرجعية غير قابلة للتكرار وتسامحات ضيقة للغاية.
مسابقة GLEE، الحدث الرسمي لورشة عمل IAB في NeurIPS 2026، تقبل الآن المشاركين لبناء وكلاء ذكاء اصطناعي قادرين على التفاوض متعدد الأدوار، والمساومة والإقناع. تقيم المسابقة الوكلاء بناءً على قدرتهم على توليد اللغة، والتفكير استراتيجيًا، والتكيف مع اللاعبين الآخرين في البيئات الاقتصادية.
تقيّم ورقة عمل من تأليف جوزيف جيه إم ووكر نماذج اللغة المتطورة على معيار تشفير أدبي متعدد القنوات وغير مرئي، مُضمّن في الرواية المادية "كتبت كتابًا وكسبت مليون دولار (آي. بي. رايتن)". وجدت الدراسة أن GPT-5.6 اعترفت بشكل مستقل بقناة الاتصال الثانوية واستعادت حوالي 95% من المادة المُضمّنة في مرورها الأول، بينما أظهرت النماذج السابقة قدرة فعالة تبلغ 0%.
نشر ليفنت بولوت معيارًا يتكون من ثلاث دراسات لتقييم موثوقية التسميات التي تولّدها الآلة لمجموعة سرديات تركية، وكشف عن تناقضات كبيرة بين المقيمين الآليين والحكم البشري. اختبرت الدراسة ست سمات حرفية ثنائية عبر 120 و100 مشهد باستخدام كاشفات قائمة على القواعد ونماذج بما في ذلك Gemini 2.5 Flash وGrok وChatGPT 5.5 وClaude Fable 5 High.
أطلقت Cyberelf Labs معيارًا صغيرًا ولوحة متصدرين عامة لمشروع Whetstone، مصمم لتسهيل مقارنة تغييرات النماذج مع الإصدارات السابقة.
يجادل المؤلف بأن وصف أنظمة الوكلاء طويلة العمر المستضافة ذاتيًا الحديثة ببساطة على أنها "مساعدين مخصصين" أو "ذاكرة بالإضافة إلى شخصية" لم يعد كافيًا من الناحية التقنية. تقلل هذه الأطر القديمة السلوكيات المعقدة وقت التشغيل إلى نمط واسترجاع بسيطين، متجاهلة التمايزات الحاسمة في الاستمرارية، والأصل، وانضباط السلطة.
يقدم الباحثون OSReward، وهو معيار واقعي مصمم لتقييم موثوقية نماذج الرؤية واللغة (VLMs) التي تعمل كحكم لمسارات وكلاء الاستخدام الحاسوبي. تكشف الدراسة أن أحدث نماذج VLM تعاني من تحيز التساهل المنهجي وغالباً ما تكون مكلفة جداً للتوسع، بينما تؤدي النماذج المفتوحة الميسورة التكلفة أداءً ضعيفاً.