LoopArena：评测模型作为循环工程运行时控制器的基准论文发布

Code as Worlds 面向物理推理的可执行世界表征的智能体发现 论文：https://huggingface.co/papers/2608.27549

VGI-Bench 探针视频生成模型中的视觉智能 论文：https://huggingface.co/papers/2608.19583

开放世界多智能体环境中的自主数学发现 论文：https://huggingface.co/papers/2608.23691

Apodex 1.1 扩展面向复杂工作的智能体智能 论文：https://huggingface.co/papers/2608.23283

学习世界如何演化 通过潜态动力学推理实现的外推式视频世界模型 论文：https://huggingface.co/papers/2608.09926

InfinityEdit 通过轻量级编辑点火适配器实现无限视频编辑 论文：https://huggingface.co/papers/2608.20910

检索增强型LLM在消费推荐中易受GEO内容污染影响，成为虚假产品的无意推广者。新基准FORGE在225个真实产品、15个类别和5个消费场景中测试12个商业及开源LLM，发现所有模型均易受攻击：单个污染页面即可造成最高27%的受骗率，替换全部前3个结果时升至73.8%。

Hugging Face 最新研究引入三项测试量化语音识别中的基准优化（benchmaxxing）现象。对 11 个开源 ASR 模型的评估显示，多个高分系统会复现 VoxPopuli 和 LibriSpeech 基准的错误转录文本，即使音频内容与之矛盾。部分模型甚至依赖声学线索识别基准来源，导致其得分高估了真实转录能力。

智能体记忆并非可随意开启的功能，而是需按模型能力校准的剂量。强模型适合注入完整指南集，DeepSeek-V3.2（671B MoE）任务完成率提升+9.5个百分点；较弱模型采用精选检索效果最佳，gpt-oss-120b（117B MoE）提升+16.1pp且仅增加+5% token。该方法无需更新权重或人工标注，通过从智能体过往轨迹中蒸馏指南并在推理时注入实现。

StartupBench 是一个基于市场验证的 AI 初创公司产品构建的端到端智能体基准，从真实采用的产品工作流中提炼任务，而非研究者预设任务。在统一智能体框架下，最强模型也仅能完成约 30% 的任务，复杂指令遵循和领域专业知识是主要失败来源。该基准揭示了当前通用智能体在真实用户任务上的能力边界。