Hugging Face 政策负责人：嵌入式 AI 评估器不是简单解法
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 上表示，模型评估仍是一门演进中的科学，结果可复现性和不同评估间的可比性都成问题，评估方法还会较快失效。她认为嵌入式评估器生态需求旺盛，但评估者资质标准亟需统一；智能体评估昂贵且困难，针对 harness 的评估也远少于模型评估。
#评测/基准
TechCrunch · AI
Microsoft Research 微软研究院播客：AI 评测的“意外失败”能教给我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 讨论评测如何推动 AI 系统性能边界、满足用户需求，以及模型超出传统 benchmark 测试时出现的“意外失败”。她还分享使用当前 AI 系统的实用建议，并强调结果不符合预期时应仔细检查数据。
Import AI Import AI 475：蜂群扩展、Google DeepMind 为生物数据加水印，以及 AI 科学经济
Import AI 475 期梳理了三项进展：Toby Ord 分析蜂群扩展，指出 4 智能体蜂群完成任务所需 token 约为单智能体两倍，但并行下理论耗时减半，且存在类似“踩脚”参数的收益递减。