EF Protocol 首次发布 Hegotá EIP 评级列表
EF Protocol 首次发布 Hegotá EIP 评级列表，包含62个提案的评级和简短评注。该评级列表由九个团队和多位个人专家共同完成，平均每个提案获得6.4个评级。评级标准分为S、A、B、C、D/DFI和TBD六个等级，每个等级对应不同的交付预期。
#评测/基准
#评测/基准
今日 0 条Ethereum BlogAI 评分4242
OpenAI NewsAI 评分4545 OpenAI Jakub Pachocki 探讨 AI 能力提升与对齐挑战
OpenAI 的 Jakub Pachocki 对日益强大的 AI 能力及其对齐挑战进行了反思，呼吁加强安全措施和国际协调。
OpenAI NewsAI 评分4747 GPT-6 Astra 审阅 41 份文档仅需数分钟，性能提升近 40%
OpenAI 的 GPT-6 Astra 模型在金融审阅流程中，仅需数分钟便审阅完 41 份文档，发现所有四处植入的错误，并使性能提升近 40%。
Hugging Face BlogAI 评分3535 LFM2.5-350M 模型通过 100 GRPO 步骤微调以优化结构化输出
Hugging Face 博客发布指南，使用 TRL 库和 GRPO 对 LFM2.5-350M 模型进行微调，在 IFStruct 基准测试中性能从 22.6% 提升至 29.7%，展示了小模型特定任务微调的潜力。
Hugging Face Blog精选AI 评分7070 BenchMIRT：LLM 基准测试实际测量了什么？
BenchMIRT 是一种新的方法，用于审计 LLM 基准测试，通过分析模型在各个问题上的表现，揭示基准测试的复杂性和潜在问题。
推荐理由：BenchMIRT 通过分析模型在各个问题上的表现，揭示了现有基准测试的复杂性和潜在问题，为更精准的模型评估提供了新思路。
OpenAI NewsAI 评分4242 OpenAI Astra 模型：首个满足关键网络安全能力标准的模型
OpenAI 推出 Astra 模型，成为首个符合关键网络安全能力标准的模型，具备更强的发布安全防护措施。
OpenAI NewsAI 评分5050 ChatGPT Ads 年收入跑赢10亿美元，全球扩展助力AI普及
ChatGPT Ads年化收入达到10亿美元，全球扩张，通过免费和实惠选项促进更广泛的AI访问。
Import AIAI 评分3737 Qwen3-30B-A3B-Instruct-2507 版本模型在 SPADE 环境生成框架中的应用
研究人员利用 Qwen3-30B-A3B-Instruct-2507 模型在 SPADE 框架中生成可执行训练环境，通过自玩方式协同进化环境和能力，提高模型性能。该框架在游戏环境和工具使用环境中均取得显著提升。
Hugging Face Blog精选AI 评分6262 语音识别基准优化测量
研究人员通过实验发现，一些语音识别模型在基准测试中表现出优化行为，即通过学习基准特定的模式来提高分数，而非真正提升识别能力。
推荐理由：原文通过实验揭示了语音识别模型在基准测试中的优化行为，对模型选择和评估有重要参考价值。
Ethereum BlogAI 评分4040 better.codes 开放自研挑战：提升基于哈希的 SNARKs 安全基准
Ethereum 基金会正式验证团队与 Yukon 和 zkSecurity 合作推出的 better.codes 开放自研挑战现已上线，旨在通过机器验证提升基于哈希的 SNARKs 安全基准。
OpenAI NewsAI 评分4040 OpenAI 与 CodeAI 合作，助力学生构建 AI 素养
OpenAI 与 CodeAI 联手，旨在培养学生 AI 素养，批判性思考 AI，并发展负责任地使用和塑造 AI 技能。
Import AIAI 评分4747 DiG-bench 基准测试：评估 AI 系统的直觉和创造力
DiG-bench 基准测试通过 70 个游戏评估 AI 系统的直觉和创造力，结果显示 Opus 5 和 Fable 5 模型表现最佳，但与人类相比仍有差距。此外，Inherent 公司开发的 Faraday 模型旨在提升 AI 在科学研究中的效率。
Microsoft ResearchAI 评分4747 MindTopo 测试揭示多模态大语言模型的拓扑推理能力
Microsoft Research 推出的 MindTopo 基准测试评估了多模态大语言模型在拓扑推理方面的能力，结果显示模型在静态图像识别方面表现优于交互式任务，表明它们在保持拓扑理解方面存在困难。MindTopo 通过五个类别（连续性、分离、顺序、封闭和结）和两个认知水平（推理和规划）来评估模型，发现模型在静态推理方面表现较好，但在交互式规划方面表现较差。
OpenAI NewsAI 评分3535 ChatGPT 测试广告功能以支持免费访问
OpenAI 在 ChatGPT 中开始测试广告功能，旨在支持免费访问，广告清晰标注，保证回答独立性，强化隐私保护，并赋予用户控制权。
Import AIAI 评分4545 Import AI 468: 23 RSI ideas; PostTrainBench+; and how trust and transparency interplay with AI racing
政策智库IFP提出23项应对AI研发自动化风险的策略建议，涵盖透明度、风险管理、AI验证技术等方面；MIT和哥伦比亚大学研究显示，信任和透明度是AI竞赛中实现协调降速的关键因素。
Hugging Face Blog精选AI 评分7272 Hugging Face开源高效知识蒸馏工具
Hugging Face开源了高效知识蒸馏工具，通过优化计算方式降低训练成本，使大规模实验成为可能。
推荐理由：该研究提出了高效的知识蒸馏方法，降低了大规模实验的成本，对AI领域具有实际应用价值。
OpenAI NewsAI 评分4040 OpenAI 模型第三方网络安全评估事件及新保障措施
OpenAI 对近期第三方网络安全评估事件进行说明，并推出新措施加强 AI 模型测试与评估。
OpenAI NewsAI 评分3030 OpenAI 回应苹果无端诉讼，纠正员工指控并分享事件记录
OpenAI 对苹果提出的无端诉讼进行回应，纠正了关于其员工的指控，并分享了记录事件发生经过的消息。
OpenAI NewsAI 评分4040 GPT-Realtime 助力 avatarin 打造 24/7 购物助手
avatarin 利用 OpenAI 的 GPT-Realtime 模型，为 Yamada Denki 提供全天候多语言支持，两周内吸引 30,000 用户，92% 的调查反馈为正面。
Google DeepMindAI 评分4242 Gemini Lyria 3.5 在 Google Flow Music 中发布，音乐性、歌词、人声和创意控制全面升级
Google DeepMind 推出音乐生成模型 Lyria 3.5，在音乐性、歌词、人声和创意控制方面取得显著进步，现已在 Google Flow Music 中推出，用户可创作更丰富的音乐作品。
OpenAI NewsAI 评分4040 GPT-5.6 通过两项API设置在ARC-AGI-3基准测试中得分翻倍
OpenAI的GPT-5.6模型通过启用推理保留和压缩功能两项API设置，在ARC-AGI-3基准测试中得分提升三倍，同时提高了效率和性能。
OpenAI NewsAI 评分4545 OpenAI CFO发布AI投资回报率评分卡
OpenAI首席财务官Sarah Friar推出AI投资回报率评分卡，通过衡量有效工作、每项成功任务的成本、可靠性和计算回报率来评估投资回报。
OpenAI NewsAI 评分3535 OpenAI 让 ChatGPT 更安全：青少年专属保护措施
OpenAI 推出针对青少年的 ChatGPT 安全保护措施，包括适龄学习工具、家长控制功能和专家合作，提升青少年使用体验。
Hugging Face Blog精选AI 评分7272 Hugging Face发布Real World VoiceEQ：衡量语音AI的人类质量
Hugging Face发布了Real World VoiceEQ基准，用于评估语音AI的人类质量，包括ASR、TTS、S2S和语音理解等多个维度，旨在衡量语音AI在实际对话中的表现。
推荐理由：原文提出了一个评估语音AI人类质量的新基准，读者可以了解其对语音AI发展的影响。
Google DeepMindAI 评分4545 Gemini 3.5 Flash 模型赋能 Atal Tinkering Labs (ATL) Saathi
Google DeepMind 的 Gemini 3.5 Flash 模型为 Atal Tinkering Labs (ATL) Saathi 提供支持，该应用为印度学生提供 24/7 的规划和培训助手，通过 AI 技术提升教育质量，并支持多语言交互。目前已在 100 所试点学校推广。
Hugging Face BlogAI 评分4343 ScarfBench：评估 AI 智能体企业 Java 框架迁移能力的基准测试
Hugging Face 推出开源基准 ScarfBench，用于评估 AI 智能体在 Spring、Jakarta EE 和 Quarkus 间的 Java 框架迁移能力。该基准包含 34 个应用和 204 项任务，强调构建、部署及行为验证而非仅代码生成。目前最强智能体的行为成功率不足 10%，且存在自我评估过度自信的问题。
OpenAI NewsAI 评分4242 OpenAI 通过大规模核心转储分析修复 18 年老bug
OpenAI 工程师利用大规模核心转储分析技术，成功调试了罕见的底层基础设施崩溃问题，揭示了硬件故障和长期存在的软件bug。
OpenAI NewsAI 评分4040 OpenAI 推出 GeneBench-Pro：基因组学 AI 性能新基准
OpenAI 推出 GeneBench-Pro，用于评估 AI 在基因组学、生物学和科学研究中的性能，采用真实世界数据集进行复杂基准测试。
Hugging Face BlogAI 评分5353 Hugging Face 与 Treble Technologies 推出首个开源远场 ASR 排行榜 FFASR
Hugging Face 联合 Treble Technologies 发布首个开源、社区驱动的远场自动语音识别（ASR）排行榜 FFASR，旨在评估模型在混响和噪声等真实声学条件下的表现。
OpenAI NewsAI 评分3535 ChatGPT GPT-5.5 Instant 升级：提升健康智能与医疗响应
OpenAI 推出 ChatGPT GPT-5.5 Instant 升级版，增强医疗健康问答能力，通过强化推理、优化上下文理解、清晰沟通及医生指导评估，提升用户健康咨询体验。
OpenAI NewsAI 评分4040 OpenAI 推出 LifeSciBench 评测基准
OpenAI 推出 LifeSciBench 评测基准，旨在评估 AI 系统在处理真实生物科学研究和决策任务时的表现。该基准由专家撰写和评审，为 AI 在生命科学领域的应用提供评估标准。
Google ResearchAI 评分4545 Gemini 研究如何利用 AI 帮助用户理解皮肤状况
Google Research 的 Gemini 团队通过一项大规模定量研究，展示了 AI 辅助工具在帮助用户识别皮肤状况和确定下一步行动方面的能力提升。研究显示，使用 AI 工具的用户在识别皮肤状况的准确性上提高了近三倍，但确定下一步行动的准确性提升有限。此外，研究还强调了从受惠社区获取更深入反馈的重要性。
Google Research精选AI 评分7777 Google Research 提出机器学习未学习审计新框架
Google Research 提出了一种新的框架，用于审计机器学习模型的未学习过程，以提高审计的敏感性和准确性。该框架利用正则化 f-Divergence 核测试，可以检测到复杂的数据分布变化，并支持隐私审计和机器学习未学习评估。
推荐理由：原文提出了一个新的框架，用于审计机器学习模型的未学习过程，读者可以了解该框架如何提高审计的敏感性和准确性。
OpenAI NewsAI 评分4545 OpenAI 前沿治理框架解析
OpenAI 推出前沿治理框架，旨在确保 AI 安全、安全和风险管理符合欧盟和加州的新规；该框架涵盖 AI 模型的治理实践，以应对不断变化的监管环境。
OpenAI NewsAI 评分4545 OpenAI Codex 荣获 2026 年 Gartner 企业 AI 编码代理魔力象限领导者地位
OpenAI 的 Codex 被Gartner评为2026年企业AI编码代理魔力象限领导者，以其创新和大规模部署能力获得认可。
OpenAI NewsAI 评分3535 OpenAI Codex 与 GPT-5.5 协同加速代码审查
OpenAI 的 Codex 与 GPT-5.5 模型结合，帮助 Ramp 工程师在几分钟内而非数小时获得实质性代码审查反馈，显著提升代码审查效率。
OpenAI NewsAI 评分3535 ChatGPT 新安全更新：提升敏感对话中的上下文识别能力
OpenAI 的 ChatGPT 新安全更新增强了在敏感对话中的上下文识别能力，有助于随着时间的推移检测风险并更安全地响应。
OpenAI NewsAI 评分3232 Parameter Golf：探索AI辅助研究的新视角
Parameter Golf活动汇聚了超过1000名参与者及2000份提交，旨在探索在严格约束下的人工智能辅助机器学习研究、编码智能体、量化以及新型模型设计。
OpenAI NewsAI 评分4040 ChatGPT 在 2026 年第一季度用户增长迅速，35 岁以上用户增长最快
ChatGPT 在 2026 年第一季度用户增长迅速，35 岁以上用户增长最快，性别使用更加平衡，标志着更广泛的 AI 主流化应用。
Hugging Face BlogAI 评分4545 vLLM V0 至 V1：在 RL 迁移中先纠正错误再进行纠正
Hugging Face 的 PipelineRL 使用 vLLM 作为推理引擎，在 vLLM V0 至 V1 迁移过程中，通过修复四个问题（处理滚动日志概率、V1 特定的运行时默认值、飞行中的权重更新路径和用于最终投影的 fp32 lm_head）来确保 V1 版本与 V0 版本匹配。