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
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。
elvis 表示，Agora-2 可讓最多 20 名人類與智能體共用同一個即時模擬世界
elvis 表示，世界模型 Agora-2 現可讓最多 20 名人類與智能體同時置身同一個模擬世界。elvis 形容，它可用來一同訓練機械人、自動駕駛汽車與網絡防禦智能體，並在投入現實應用前研究智能體串謀。
Harness-Zero 在移除專用 harness 後，將宏觀任務成功率提升至 44.3%
Google 與合作者的論文介紹 Harness-Zero：優化後的 agent harness 只在訓練期間使用。移除該 harness 後，宏觀任務成功率由 23.3% 升至 44.3%，高於基礎模型在掛上 harness 時達到的 41.7%。
Wiki Foundation Model 從互相連結的 Markdown wiki 檢索智能體記憶
WFM 把 LLM wiki 轉成圖，並以受查詢條件化的訊息傳遞進行檢索，讓頁面文字與頁面之間的連結共同影響結果。團隊表示，一套 GPU 對 GPU 訓練協議的訓練速度快 10.5 倍，並在五項涵蓋智能體記憶與多跳推理的基準測試中取得強勁結果。