BRIDGE ASR 2.0 測試 23 個語音識別模型處理長篇多語對話
這項基準測試 23 個模型。其 code-switch F1 分數檢查混入印度語系句子的英語詞是否仍以英語保留；把「data backup」寫成天城文的轉寫得分為零。
排行榜可按語言和指標篩選。方法與評估數據已在 BRIDGE ASR 2.0 頁面公開，elvis 表示團隊希望研究人員測試這項基準，並找出它會在哪些地方失效。
相關AI快訊
NVIDIA 論文提出 VERA 架構，協同演進 Agent Harness 與模型
NVIDIA 一篇研究論文介紹了 VERA 系統。該系統將基準軌跡轉化為 9,000 多個具備評分標準的可重啟沙盒，同時協同演進 Agent Harness 與模型權重。團隊開源了該環境語料庫，並表示 27B Agent 在 AutoCoWorkBench 取得 71.6 分，超越 Claude Opus 4.8。
論文用一次 Jev 是/否評分標記對齊失敗
一篇論文報告，TypeSafe AI 的 Jev 無需額外訓練，就能以 0.886 的中位 AUROC 把對齊失敗與良好回應區分開。在 19 項基準上，一次 Jev 評估成本為 0.30 美元，而這些基準所用的 LLM 評判成本為 18.96 美元。
最佳 Taste-Bench 模型有 59.7% 時間選出較佳方向
微軟與合作者的論文指出，在長程工程與研究任務中選擇較佳的開放方向時，最佳模型答對 59.7% 的 Taste-Bench 問題。由較後證據決定的分岔難度高得多，加大推理預算不會提高準確率；把教師對結果的判斷蒸餾到學生模型，則能提升在留出的 SWE-bench Pro 上的成功率。
EvoOntology 論文報告自我演化本體層提升數據代理在 DDR-Bench 與 BIRD 的分數
elvis（@omarsar0）分享一篇關於 EvoOntology 的論文，此為面向數據代理、以 MCP 伺服器形式提供的自我演化本體層。帖文指 DDR-Bench 準確率在六個骨幹模型上平均上升 17.8 分，當中 GPT-5.5 上升 26.7 分，而 BIRD 執行準確率上升 7.4 分。
Viktor 推出 Slack Agent 評測助手，提供 100 美元額度試用
Viktor 在 Slack 內提供 AI 員工，專門分析 AI Agent 測試套件的評測日誌、將效能倒退追溯至具體改動並建議回滾，同時提供毋須信用卡即可獲取的 100 美元額度免費試用。