UK AISI 与 EvalEval 合作实现基准测试结果可复现
UK AISI 利用 EvalEval 基础设施公开分享评估结果，支持可复现的评估科学。此次发布涵盖 HealthBench、FrontierMath 等五个基准及 Claude Opus 4/4.5/4.6、GPT-5/5.2/5.4 六款前沿模型的验证数据。
#评测/基准
#评测/基准
今日 0 条Hugging Face BlogAI 评分4040
Hugging Face BlogAI 评分3535 Open ASR Leaderboard 引入私有数据集以防范 Benchmaxxing
Hugging Face 联合 Appen Inc. 和 DataoceanAI 在 Open ASR Leaderboard 中新增覆盖多口音的高质量私有 ASR 数据集，旨在防止基准测试优化（benchmaxxing）及测试集污染。默认 Average WER 仍仅基于公开数据集计算，用户可通过切换开关查看私有数据影响。
OpenAI NewsAI 评分3232 OpenAI 与太平洋西北国家实验室联合推出 DraftNEPABench
OpenAI 与太平洋西北国家实验室联合发布 DraftNEPABench，评估 AI 编码智能体加速联邦许可审批的能力。该基准显示，相关技术有望将 NEPA 起草时间缩短最多 15%，并推动基础设施审查现代化。