Jiantao Jiao 公布 SWE-Serve，一項含 53 項任務的 NVIDIA 基準測試
Jiantao Jiao 表示，NVIDIA 團隊建立了 SWE-Serve，用以測試 AI 代理能否開發推理引擎，並讓其服務真實模型。該基準測試包含 53 項任務，取材自 sgl_project 的實際工程工作。
#benchmark
查看全部AI快訊Tencent Hy 推出 WebCraftBench，評估 AI 構建的網頁應用
WebCraftBench 讓代理實際使用線上應用，再就美感、可用性，以及是否滿足原始要求評分。Tencent Hy 表示，在 197 組經驗證的配對中，與人類偏好的吻合率為 85.3%。
MentalHealthBench 涵蓋日常支援以至急性危機
OpenAI 表示，MentalHealthBench 旨在涵蓋人們向 AI 提出的各類精神健康對話，範圍由日常支援延伸至較急性的危機情境，而不僅限於緊急情況。
OpenAI 發布 MentalHealthBench，用於真實心理健康對話
OpenAI 已公開發布 MentalHealthBench。這項新基準由超過 80 名心理健康臨床人員參與制定。OpenAI 表示，基準顯示前沿模型在真實心理健康對話中持續改善。
Gemini 3.8 Flash TTS 在 Artificial Analysis 發音穩健性基準測試以 89.5% 排名第一
在 Artificial Analysis 的 Pronunciation Robustness 基準測試中，Gemini 3.8 Flash TTS 得分 89.5%，領先 Gemini 3.1 Flash TTS、SpaceXAI TTS 及 Gemini 3.8 Flash-Lite TTS。個別發音類別的領先位置由多個模型分別取得。
Polymarket 表示 GPT-6 Astra 完成真實 Toyota Corolla 障礙賽道
Polymarket 表示，GPT-6 Astra 是 DrivingBench 測試中唯一完成該賽道的人工智能。
NVIDIA AI 表示 Nemotron 3 Diarization 在首期 Diarization-Bench 的 12 個系統中排名第一
NVIDIA AI 報告，Nemotron 3 Diarization 在 voicearena_ai 首期 Diarization-Bench 的錯誤率為 14.72%，較第二名低約 24%。
AssemblyAI Universal 3.5 Pro 在 15 款模型測試中詞錯誤率為 1.93%
Tarush Agarwal 報告一項語音轉文字基準測試，以相同音訊與流程測試 15 款模型。在 Pipecat FLEURS 的 1,000 段朗讀片段中，AssemblyAI Universal 3.5 Pro 的詞錯誤率為 1.93%，首次輸出文字的中位數時間為 489 毫秒，兩項均為該測試最佳結果。
Lovable 現已使用 GPT-6 Sol 進行建構
Lovable 表示，在其 0 到 1 建構基準測試中，GPT-6 Sol 於每個努力程度的得分都比 GPT-5.6 Sol 高 6% 至 12%，其中意圖對齊與設計基礎的提升較大。
Qwen 推出 RecreationBench 混合電腦使用代理基準測試
ModelScope 表示，Qwen 已推出 RecreationBench，這是一個包含 250 項任務的基準測試，適用於 Ubuntu、macOS、Windows、Android 及 Web 上的混合電腦使用代理。代理必須探索正在運行的應用程式，以程式碼重現該應用，並通過程式化測試以及基於 VLM 的視覺評估。
Bailey Jennings 以 ONET 職位分類比較 Jev 與 Luna
在一次簡短示範中，TypeSafe AI 的 Jev 精確匹配率為 80.5%，每項職位約 200 毫秒、每 100 萬次 122 美元；Luna 精確匹配率為 84.9%，每項職位約 2 秒、每 100 萬次 482 美元。