BRIDGE ASR 2.0 测试 23 个语音识别模型在长篇多语言对话中的表现
该基准测试 23 个模型。其 code-switch F1 分数用于检查混入印度语言句子中的英语单词是否仍保留为英语；把“data backup”写成天城文的转写得分为零。
排行榜可按语言和指标筛选。方法和评估数据已在 BRIDGE ASR 2.0 页面公开，elvis 表示团队希望研究人员测试该基准并找出它失效的地方。
相关AI快讯
论文用一次 Jev 是/否评分标记对齐失败
一篇论文报告，TypeSafe AI 的 Jev 无需额外训练，就能以 0.886 的中位 AUROC 把对齐失败与良好回答区分开。在 19 项基准上，一次 Jev 评估成本为 0.30 美元，而这些基准所用的 LLM 评判成本为 18.96 美元。
Taste-Bench 最佳模型选出更优方向的比例为 59.7%
微软及合作者的一篇论文报告，在长周期工程与研究任务中选择更优开放方向时，最佳模型正确回答 59.7% 的 Taste-Bench 问题。由后续证据决定的分叉难度高得多，增加推理预算并不能提高准确率，而将教师模型对结果的判断蒸馏到学生模型后，可提高留出集 SWE-bench Pro 任务的成功率。
EvoOntology 论文称自演化本体层提升数据智能体在 DDR-Bench 和 BIRD 上的得分
elvis (@omarsar0) 分享了一篇关于 EvoOntology 的论文，这是一种以 MCP 服务器形式提供的、面向数据智能体的自演化本体层。帖文称，在六个骨干模型上，DDR-Bench 准确率平均提升 17.8 个百分点，其中 GPT-5.5 提升 26.7 个百分点，BIRD 执行准确率提升 7.4 个百分点。
Agensh 在没有中央编排器的情况下最多协调 1,024 个编程智能体
一篇 Microsoft Research 论文介绍了 Agensh，这是一套通过共享状态协调并行编程智能体的自组织 harness。使用 GPT-5.6-sol 时，智能体数量从 1 增至 128，ProgramBench 五个最难任务的平均最终测试通过率从 19.31% 升至 28.78%；在 pandoc 上，1,024 个智能体将该通过率从 33.89% 提升至 55.06%。
Elvis 的小规模 Pi SDK 测试显示，Jev Router 比固定的 GPT-6 Sol 更便宜、更快
elvis 表示，在一个小型支持代理上，Jev Router 与固定的 GPT-6 Sol 基线在共 32 次调用中都解决了全部 8 个案例。路由成本为 0.008 美元，对比 0.018 美元；中位响应时间为 1.5 秒，对比 1.9 秒。