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
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。
elvis 称 Agora-2 可让最多 20 名人类与智能体共享同一个实时模拟世界
elvis 称，世界模型 Agora-2 现可将最多 20 名人类和智能体同时放入同一个模拟世界。elvis 将其描述为可共同训练机器人、自动驾驶汽车和网络防御智能体的场所，也可在投入真实世界使用前研究智能体共谋。
Harness-Zero 在去掉专用 harness 后将宏观任务成功率提高到 44.3%
Google 与合作者的一篇论文介绍了 Harness-Zero：优化后的 agent harness 只在训练阶段使用。去掉该 harness 后，宏观任务成功率从 23.3% 升至 44.3%，高于基座模型挂上该 harness 时达到的 41.7%。
Wiki Foundation Model 从相互链接的 Markdown wiki 中检索智能体记忆
WFM 将 LLM wiki 转为图，并用以查询为条件的消息传递进行检索，使页面文本与页面之间的链接共同影响结果。该团队称，一种 GPU 到 GPU 的训练方案训练速度快 10.5 倍，并在五项智能体记忆与多跳推理基准上报告了较强结果。