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
Latent Space Latent Space 新栏目 High Taste Testers 首期上线并汇总 AI 周报
Latent Space 推出新节目 High Taste Testers 首期，把旧金山的午餐谈话做成节目形式，同时继续发布 10 月 15 日至 16 日的 AINews 汇总。
AWS Machine Learning Blog AWS 分享基于 Amazon Bedrock AgentCore 的智能体九阶段评测框架
AWS SMGS 团队介绍其为生产多智能体系统搭建的九阶段评测框架，以 Amazon Bedrock AgentCore Evaluations 为核心，覆盖从定义指标到反馈闭环的完整生命周期。
Latent Space精选 AINews 周报：Gemini 4 Argon 正式发布，Vals AI 谈模型基准
Latent Space 的 AINews 汇总了 Gemini 4 Argon 正式发布及 AI Engineer NYC 大会内容，约 2 万人参会，Anthropic 和 Vals AI CEO 等发表主题演讲。
推荐理由：一份按类别编排的 AI 周报，涵盖 Argon 发布、多项独立评测、Agent 训练与安全议题，便于横向对照。
Import AI Import AI 476：创造力与RSI、不如中国的开放权重模型、AI走向太空
Import AI 476 期聚焦三项研究：Scale AI 与 Elorian 发布 Humanity's Sixth Sense 基准，GPT 6 Astra 的 pass@1 仅 53.6，远低于人类 93.1，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
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。
GitHub Blog · AI & ML精选 GitHub 发布 ReviewBench：面向 AI 代码审查的公开基准
GitHub 发布 ReviewBench 研究预览版，这是一个面向 AI 代码审查智能体的公开离线基准，包含 219 条来自 187 个开源仓库、覆盖 19 种语言的 pull request。
推荐理由：GitHub 用 1.039 亿条真实 PR 校准出 219 条评测集，并公开了评分规则与校验流程，可据此比较不同 AI 代码审查工具。
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。