Hugging Face 提出 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布论文提出 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，用于识别"跨来源混淆"——即事实在证据池中成立、却被归因到错误来源。
#评测/基准
#评测/基准
今日 0 条Hugging Face BlogAI 评分3131
NVIDIA Developer BlogAI 评分3434 SWE-Serve 如何揭示本地测试与线上服务之间的差距
NVIDIA 联合 SGLang 团队推出 SWE-Serve，用于评估推理服务软件改动在完整服务路径上的表现，包含 53 个任务。该工具针对 AI 编程智能体的补丁能通过测试、却在服务器加载真实模型并处理请求时失败的问题，检查系统能否通过公开接口返回正确结果。
OpenAI NewsAI 评分2727 OpenAI 推出 MentalHealthBench 心理健康对话评测基准
OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回复是否有帮助且安全。该基准覆盖多种现实心理健康对话场景，衡量模型回复的助益性与安全性。
Hugging Face BlogAI 评分3636 英国 AISI 如何用 EvalEval 让基准测试结果可复现
英国 AI Security Institute（AISI）正通过 EvalEval 的 Evaluation Cards 公开分享评测结果，覆盖 HealthBench。
Import AIAI 评分4242 Import AI 469：DiG-bench 测 AI 发现能力、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 期介绍了新基准 DiG-bench，用 70 款规则与目标均隐藏的游戏测试 AI 自主发现环境规律的能力，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在 Tier 7 完成 0.2 的任务，远低于人类的 100%。
Microsoft ResearchAI 评分4141 MindTopo 揭示多模态大模型的空间推理短板
微软研究院推出 MindTopo 基准，用连续性、分离、顺序、包围、绳结五类拓扑任务评测多模态大模型的推理与规划能力。结果显示，模型在静态图像识别上明显强于交互式规划，且两者均远低于人类水平；失败多发生在规划阶段而非感知阶段，模型常在多步动作中丢失结构关系或提出违反物理约束的动作。图像与视频生成仅在单帧关系可见时偶有帮助，序列场景中仍不可靠。