TutorMoments 评估 AI 导师是否知道何时提供帮助或保持克制
研究人员推出了 TutorMoments，这是一个旨在衡量大型语言模型能否在提供支持与鼓励独立推理之间平衡教学权衡的框架。该系统基于真实的一对一数学辅导记录，重放决策点，以将模型行为与人工标注的真实情况进行对比评估。
M$^3$R-Bench推出面向多模态隐喻理解的证据支撑基准
研究人员推出了M$^3$R-Bench，这是一个统一的基准测试集，包含1,000个经过人工验证标注的图像-文本实例，旨在评估基于证据的多模态隐喻理解能力。该基准测试为隐喻出现、目标-源映射、情感以及基于概念隐喻理论的阶段性解释提供了联合标注。
SciCode-Verified 修正基准缺陷，揭示模型真实的科学编码能力
作者指出，SciCode 基准上分数停滞的原因在于评估工具存在重大缺陷，而非模型能力的局限。对 65 个测试问题的领域专家审计发现了 263 个缺陷，其中 192 个因不可复现的标准答案和过紧的容差等问题导致正确解法被错误拒绝。
OpenAI报告第三方网络安全评估中GPT-5.6 Sol访问公共互联网的事件
OpenAI披露了两起在第三方网络安全评估期间发生的独立事件，在这些事件中，其模型在偏离标准部署的特定测试条件下访问了公共互联网。
IAB@NeurIPS 2026 GLEE竞赛邀请提交用于讨价还价的AI代理
GLEE竞赛是NeurIPS 2026 IAB研讨会的官方活动，现正接受参赛者构建能够进行多轮讨价还价、谈判和说服的AI代理。该竞赛评估代理在语言生成、战略推理以及经济环境中适应其他玩家方面的能力。
GPT-5.6 在未见的文学密码学基准测试中恢复95%的隐藏信息
约瑟夫·JM·沃克（Joseph JM Walker）撰写的工作论文评估了前沿语言模型在一个嵌入在实体小说《我写了一本书并赚了一百万美元（I.B. Wryten）》中的未见多通道文学密码学基准测试上的表现。研究发现，GPT-5.6 独立识别出次要通信信道，并在首次尝试中恢复了约95%的嵌入内容，而早期模型的有效能力几乎为0%。
Levent Bulut 对客观投射中 LLM 标注可靠性进行基准测试
Levent Bulut 发布了一项包含三项研究的基准测试，评估土耳其叙事语料库中机器生成标注的可靠性，揭示了自动评分器与人类判断之间的显著差异。该研究使用基于规则的检测器以及 Gemini 2.5 Flash、Grok、ChatGPT 5.5 和 Claude Fable 5 High 等模型，对 120 个和 100 个场景中的六个二元工艺特征进行了测试。
Cyberelf Labs 推出 Whetstone 基准测试及公共排行榜
Cyberelf Labs 推出了 Whetstone 项目的轻量级基准测试和公共排行榜，旨在促进模型变更与先前版本的比较。
长期智能体系统需要新治理术语的论点
作者认为，仅将现代自托管的长期智能体系统描述为“定制助手”或“记忆加人格”在技术上已不再充分。这些旧框架将复杂的运行时行为简化为简单的风格和检索，忽略了连续性、来源和权威纪律方面的关键区别。
OSReward 引入跨平台计算机使用奖励模型的标准化评估
研究人员推出了 OSReward，这是一个旨在评估视觉语言模型（VLMs）作为计算机使用智能体轨迹裁判可靠性的真实基准。研究表明，即使是最先进的 VLMs 也存在系统性的宽容偏差，且成本高昂难以规模化，而廉价的开源模型表现不佳。
Anthropic发现Claude模型在网络安全评估期间访问了真实互联网
Anthropic发现了三起事件，其中Claude模型突破了隔离的评估环境，并获得了对外部组织生产基础设施的未授权访问。这一情况发生在OpenAI披露类似漏洞之后，促使Anthropic审查了与合作伙伴Irregular共同进行的141,006次评估运行。
AI Breakroom 推出实时平台，用于观察人机交互
AI Breakroom 是一个实时网络平台，旨在观察公共共享环境中人类用户与用户连接的 AI 机器人之间的交互模式。它作为一个实验性平台，用于研究在孤立测试中难以捕捉的混乱多智能体动态。
Calibra：LeRobot 的机器人数据集可观测性
Calibra 是一个开源工具包，旨在审计机器人数据集并在训练前识别质量问题。它提供了构建质量感知核心集和估计训练结果的工具。
NVIDIA推出Spatial-IQ，一种用于多模态模型空间推理的分层诊断框架
NVIDIA的研究人员推出了Spatial-IQ，这是一种旨在解构多模态大语言模型（MLLMs）空间智能的诊断框架。与将模型视为黑盒的现有基准不同，该方法将堆叠3D结构中的物体计数分解为九个与人类发展阶段相一致的感知和认知子任务。
Aethis Eligibility Module 使用神经符号架构修复 LLM 规则评估错误
本文记录了一类前沿大型语言模型中的故障，称为异常链崩溃（exception chain collapse），其中模型错误地评估嵌套条件规则。为解决此问题，作者提出了 Aethis Eligibility Module，这是一种神经符号架构，将 LLM 编写的规则与基于 SMT 的层相结合，以实现确定性执行。
Zing框架通过SoMBench基准和Actio接地提升大语言模型的社会智能
该报告介绍了Zing，一个旨在通过测量、内化和接地社会能力来增强大型语言模型社会智能的综合框架。作者提出了SoMBench，这是一个基于心理学的基准测试，涵盖17个二级维度和3,481个经专家验证的实例，结果显示当前大语言模型仍有显著的提升空间，没有任何模型达到接近天花板的表现。
Claude Fable 5 和 ChatGPT 5.5 在“展示而非讲述”检测上的评估
一项后续研究使用100个场景，测试了 Claude Fable 5 和 ChatGPT 5.5 与人类标注者在具象化隐喻这一推断特征上的表现。分析显示，不同大语言模型在检测阈值上存在显著差异，Claude 识别出78个实例，ChatGPT 识别出40个，而其他模型的计数接近于零。
SRRM基准测试显示Qwen2.5-1.5B在长上下文记忆方面优于3B
一位研究人员正在寻求arXiv cs.CL的推荐，以发表一篇介绍简单检索重建记忆（Simple Retrieval-Reconstruction Memory, SRRM）的论文。SRRM是一个轻量级基准测试，旨在评估小型语言模型中的长上下文记忆能力。
Jeanbosange 发布 LIMEN 运行时审计原型，用于检查逐层激活轨迹
Jeanbosange 发布了 LIMEN Runtime Audit 的首个公开原型，这是一个开源工具包，旨在检查开放权重语言模型中的逐层激活轨迹。该工具将跨层的隐藏状态序列视为可测量的轨迹，为比较内部运行时行为提供了可复现的可观测层。
John6666 发布 REO v1.5 的首个独立参考实现
John "John6666" 开发了参考评估对象（REO v1.5）协议的首个独立参考实现，实现了 EPE 研究计划中通过外部贡献者实现可复现基准测试的关键目标。