ProvenanceGuard：面向 MCP 智能体的来源感知事实性验证
Hugging Face 发布 ProvenanceGuard，一种针对 MCP 智能体的来源感知事实性验证层，旨在解决跨来源混淆问题。在包含 361 个声明的测试中，该模型准确拦截了 138 个应被阻止的声明，并识别出 67 个需复核的支持声明。对于可识别来源的声明，其来源匹配准确率约为 86%。
#Hugging Face
#Hugging Face
今日 0 条Hugging Face BlogSI 评分4242
Hugging Face BlogSI 评分4242 UK AISI 与 EvalEval 合作实现基准测试结果可复现
UK AISI 利用 EvalEval 基础设施公开分享评估结果，以支持更可复现和可验证的评估科学。此次发布包含 HealthBench、FrontierMath 等五个基准在 Claude Opus 4.6 和 GPT-5.4 等六个前沿模型上的验证结果及配置信息。
Hugging Face Blog精选SI 评分6565 IBM 研究提出一致性指南，将 Agent 的 Pass^5 差距从 24.4pp 缩小到 12.0pp
IBM 研究团队在 ALTK-Evolve 中新增一致性指南，用于缩小 Agent 的稳定性差距。在 AppWorld test_normal 的 168 个任务上。
推荐理由：原文给出 Pass^k 与一致性差距的量化结果，并说明如何用一次采样定位易翻转的决策点。
Hugging Face BlogSI 评分3232 Hugging Face 推出 BenchMIRT：审计 LLM 基准测试究竟在测什么
Hugging Face 发布 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的多维 IRT 方法，基于 100 个 LLM、16 个基准、超 34K 道题的评测结果训练，在未被告知基准对应能力的情况下自动识别出安全与通用推理两个主导维度。分析显示 BBQ 和 WMDP 的得分与通用推理关联更强，HarmBench 的版权类问题同样如此，说明单一基准分数会混合多种信号。
Hugging Face Blog精选SI 评分6262 Open ASR Leaderboard 新增首个全球南方语言评测集 Monsoon
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该榜单多语言标签页上的首个印度语言。
推荐理由：Open ASR 榜单新增印地语与印度英语评测集，并公开说话人元数据，读者可了解语音评测如何从单一 WER 转向按人群拆解。
Hugging Face Blog精选SI 评分6262 Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 9 项基准中 7 项超过其全精度版本
Multiverse Computing 发布论文《Quantization-Aware Healing: A Practical Recipe for Recovering Compressed, 4-Bit LLMs》，提出 QAH 方法：对结构压缩并量化的模型，直接从压缩前的原始全精度模型蒸馏，而非从恢复出的 bfloat16 checkpoint 蒸馏。
推荐理由：论文给出压缩加量化后从原始教师蒸馏的恢复配方，并附与 QAT 的稳定性对比数据。
Hugging Face Blog精选SI 评分6666 Hugging Face 研究：语音识别基准优化如何被量化
Hugging Face 发布研究，用共识分歧探针、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：通过三项探针量化 ASR 模型对基准的过拟合，并给出可复用的检测脚本与榜单入口。
Hugging Face Blog精选SI 评分6262 IBM 研究：智能体到底需要多少记忆？
IBM 研究团队在 Hugging Face 博客发布 ALTK-Evolve 的后续研究，用 AppWorld 的 585 个多步任务测试八款模型，发现智能体记忆不是开关而是需要按模型校准的剂量。
推荐理由：八模型对比显示智能体记忆的注入剂量需按模型能力校准，并给出检索与缓存的成本权衡。
Hugging Face Blog精选SI 评分7070 Hugging Face 用智能体复现 ICML 2026 的 2200 余篇论文
Hugging Face 在 7 月 15 日至 8 月 2 日举办 ICML 2026 开放复现挑战，1221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体逐条核验论文主张，共发布 6816 份 Trackio logbook，覆盖 2226 篇论文，约占该会议全部论文的 34%。
推荐理由：Hugging Face 用 1200 多名社区成员和编码智能体复现 ICML 2026 论文，给出了大规模论文审计的可行路径与人类角色的观察。
Hugging Face BlogSI 评分5252 IBM 研究：ALTK-Evolve 用更少 token 实现 ACE 级智能体记忆
IBM 研究团队发布 ALTK-Evolve，与 ACE 一样让智能体从自身轨迹中学习可复用经验，但把记忆投递从固定改为按任务和模型能力校准。
Import AISI 评分6767 Import AI 468: 23个RSI政策建议、PostTrainBench+进展及AI竞赛中的信任与透明度
Import AI 468 汇总了多项AI研发动态：IFP提出23个应对RSI的政策建议；MIT和Columbia研究指出信任与透明度是AI企业协调减速的关键；Intology发布Locus新版本，在PostTrainBench+上以4000小时H100算力达到51.6%得分，超越人类基线。
Hugging Face BlogSI 评分4646 Hugging Face 提出离线 Top-K Logits 与融合分块 KL 损失，让知识蒸馏低成本跑在大规模场景
Hugging Face 最新论文提出两项系统改动，让大语言模型知识蒸馏的训练成本大幅下降：一是离线缓存教师模型的 top-100 logits，训练时无需再加载教师模型；二是融合分块 KL 损失，避免生成完整的词表×序列长度矩阵。
Hugging Face Blog精选SI 评分6262 Hume 发布 Real World VoiceEQ 语音 AI 评测基准
Hume 发布 Real World VoiceEQ，一个评估语音交互人类质量的基准，覆盖 40 多个专有与开源语音模型、15 个以上评估维度和 60 多项指标，涵盖 ASR、TTS、S2S 和语音理解。
推荐理由：Hume 用百万级人工评分构建语音评测基准，揭示现有基准高估真实表现的盲区。
Hugging Face BlogSI 评分3737 ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试
Hugging Face 发布 ScarfBench（Self-Contained Application Refactoring Benchmark），用于评估 AI 智能体在 Spring、Jakarta EE、Quarkus 之间跨框架迁移企业级 Java 应用的能力。