Jiantao Jiao 发布 SWE-Serve，一项包含 53 项任务的 NVIDIA 基准
Jiantao Jiao 表示，NVIDIA 团队构建了 SWE-Serve，用以测试 AI 智能体能否开发推理引擎并服务真实模型。该基准包含 53 项任务，取自 sgl_project 的真实工程工作。
#benchmark
查看全部AI快讯Tencent Hy 推出面向 AI 构建网页应用的 WebCraftBench
WebCraftBench 让智能体使用正在运行的应用，再对美观度、可用性以及是否满足原始请求进行评分。Tencent Hy 称，在 197 组经人工验证的配对上，其结果与人类偏好的一致率为 85.3%。
MentalHealthBench 覆盖从日常支持到急性危机
OpenAI 表示，MentalHealthBench 面向人们向 AI 提出的各类心理健康对话，从日常支持到更急性的危机场景，而不只是紧急情况。
OpenAI 发布面向真实心理健康对话的 MentalHealthBench
OpenAI 已公开发布 MentalHealthBench。这项新基准由 80 多名心理健康临床人员参与构建。OpenAI 表示，它显示前沿模型在真实心理健康对话中持续改进。
Gemini 3.8 Flash TTS 在 Artificial Analysis 发音基准测试中以 89.5% 排名第一
在 Artificial Analysis 的 Pronunciation Robustness 基准测试中，Gemini 3.8 Flash TTS 得分为 89.5%，领先于 Gemini 3.1 Flash TTS、SpaceXAI TTS 和 Gemini 3.8 Flash-Lite TTS。各单项发音类别的领先位置由多个模型分占。
Polymarket 称 GPT-6 Astra 完成真实 Toyota Corolla 障碍赛道
Polymarket 称，在 DrivingBench 测试的 AI 中，只有 GPT-6 Astra 完成了该赛道。
NVIDIA AI 表示，Nemotron 3 Diarization 在首期 Diarization-Bench 的 12 个系统中排名第一
NVIDIA AI 称，Nemotron 3 Diarization 在 voicearena_ai 首期 Diarization-Bench 上的错误率为 14.72%，比第二名低约 24%。
AssemblyAI Universal 3.5 Pro 在 15 个模型测试中词错误率为 1.93%
Tarush Agarwal 报告了一项语音转文字基准测试，15 个模型使用相同音频和流程。在 Pipecat FLEURS 的 1,000 段朗读片段上，AssemblyAI Universal 3.5 Pro 的词错误率为 1.93%，首次出字中位时间为 489 毫秒，两项均为该测试中的最佳结果。
Lovable 现已使用 GPT-6 Sol 构建
Lovable 称，在其 0 到 1 构建基准测试中，GPT-6 Sol 在各个 effort 级别上的得分均比 GPT-5.6 Sol 高 6% 至 12%，意图对齐和设计基础的提升更大。
Qwen 推出面向混合计算机使用智能体的 RecreationBench
ModelScope 表示，Qwen 已推出 RecreationBench，这是一个包含 250 项任务的基准测试，面向 Ubuntu、macOS、Windows、Android 和 Web 上的混合计算机使用智能体。智能体必须探索正在运行的应用，用代码复现该应用，并通过程序化测试以及基于 VLM 的视觉评估。
Bailey Jennings 比较 Jev 与 Luna 在 ONET 职位分类上的表现
在一次快速演示中，TypeSafe AI 的 Jev 精确匹配率为 80.5%，每个职位约 200 毫秒、每 100 万次成本 122 美元；Luna 精确匹配率为 84.9%，每个职位约 2 秒、每 100 万次成本 482 美元。