Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 上线 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
#评测/基准
#评测/基准
今日 0 条Hugging Face BlogAI 评分3838
Hugging Face BlogAI 评分3131 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。
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。
NVIDIA Developer BlogAI 评分3838 NVIDIA 如何评估 AI 智能体：从工具调用到任务完成
NVIDIA 提出 AI 智能体评估需从单次工具调用打分转向整任务完成度打分，核心是考察智能体能否在真实环境中连续执行数十次工具调用并在某步失败后恢复。仅评估模型回答是否"听起来对"，几乎无法反映工作是否真正完成。
NVIDIA Developer BlogAI 评分2222 NVIDIA AIPerf：大规模 LLM 推理基准测试
NVIDIA 发布 AIPerf，用于大规模 LLM 推理性能基准测试。它针对 curl 命令、手写 asyncio 脚本或一次性负载生成器等传统压测方式的问题，这些方式受限于单进程性能、Python GIL 并发瓶颈，或测量基准不可靠。
NVIDIA Developer BlogAI 评分4242 NVIDIA TensorRT Edge-LLM 在 Jetson AGX Thor 上以 6.4 倍速度完成 MLPerf Edge Agentic Benchmark
NVIDIA 的 TensorRT Edge-LLM 在 Jetson AGX Thor 上完成 MLPerf Edge Agentic Benchmark，速度提升 6.4 倍。该方案面向从云端数据中心迁移到车辆、机器人等边缘设备的 AI 智能体，针对其多步骤工具调用、结果评估与长对话推理带来的边缘推理新需求，实现快速 token 生成。
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。