NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合入同一 checkpoint，已在 Hugging Face 和 ModelScope 上线。
推荐理由：原文给出多语言转写、说话人分离与翻译的统一权重模型，并附可复用的数据管线和微调配方，便于判断落地成本。
#评测/基准
Hugging Face Blog精选AI 评分7878 AWS Machine Learning BlogAI 评分3636 Property Finder 如何修复 Amazon Bedrock 上的评估偏差，实现准确率提升、成本降低 86%
Property Finder 在将视觉 AI 负载迁移到 Amazon Bedrock 时发现，其评估标签中 96.8% 直接沿用了现有模型的预测而非人工核验，导致任何替代模型在比较中都处于劣势。团队由专家重新标注 356 张 UAE 图像并改用多标签分类，再通过 v0 到 v27 的提示词迭代优化选型，最终在 Amazon Bedrock 上实现更高准确率与 86% 的成本下降。
Hugging Face BlogAI 评分5555 Ai2 研究：LLM 能否可靠判断研究想法的新颖性
Ai2 发布研究 Old Ideas, Novel Problems，并开源基准、数据和代码，用于测试 LLM 新颖性评判器。研究基于 ICLR 2026 评审构建 154 条高新颖与 145 条低新颖的人类想法池，测试 GPT-5.1 至 GPT-5.4、Claude Sonnet 4.5 与 Claude Opus 4.5/4.6 六个评判模型。
Mistral AI精选AI 评分7171 Mistral 发布时间序列基础模型 Timestral，最大 209M 参数
Mistral 发布首个时间序列基础模型系列 Timestral，提供 5M、28M、123M 和 209M 四个尺寸，最大模型在 GIFT-Eval、TIME 和 fev-bench 三项公开基准上排名第一，参数量为前代 SOTA 的三分之二。
推荐理由：原文给出四个尺寸的参数量、CPU 推理延迟和三项基准排名，可据此判断时间序列基础模型的落地成本。
Google Research精选AI 评分6767 Google 发布地理空间推理智能体技术报告与两个新基准
Google 发布地理空间推理智能体的技术报告，在四个基准上对比独立 LLM、基础工具、Earth AI 工具和带前置规划的完整智能体四种配置，并开源 GeoKTools 与 GeoExpertQueries 两个新基准的开发集。
推荐理由：原文给出四个基准上的对照结果，说明专用地理工具与前置规划各自带来的差异。
Microsoft ResearchAI 评分3131 微软研究院播客：AI 会犯哪些错，失败又能教我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。Neville 还分享使用当前 AI 系统的实用建议，并强调结果偏离预期时细查数据的重要性。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码评审开放基准 ReviewBench
GitHub 发布 AI 代码评审离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。