模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
Hugging Face 推出 Real World VoiceEQ 基准，用于评估语音 AI 交互的人类质量，覆盖 40 多个主流开源与专有语音模型、15 项以上评测维度和 60 多项指标，基于超过 100 万条人工评分构建。评测发现语音模型在听与说能力上分化明显，传统基准可能高估真实表现，且语音语言模型尚不能完全替代人工评测。
推荐理由：原文给出了新基准的规模、维度与关键发现，读者可据此判断现有语音模型评测的盲区。
IBM 研究院发布开源基准 ScarfBench，用于评测 AI 智能体在企业 Java 跨框架迁移任务中的表现，覆盖 Spring、Jakarta EE 和 Quarkus 三大生态。基准包含 34 个应用、102 个框架实现和 204 个迁移任务，要求迁移后的应用能成功构建、部署并通过行为验证。评测显示当前最强智能体的行为成功率不足 10%，且智能体自报的构建成功与独立验证结果存在明显偏差。
推荐理由：原文给出了基准的规模、评测方式和当前智能体表现，读者可据此判断企业级框架迁移任务的真实难度。
Every Eval Ever (EEE) 与 Hugging Face Community Evals 实现互通，支持评测结果跨平台发布与解读，并链接到开放模型、排行榜和统一元数据存储。
推荐理由：原文说明了 EEE 与 Hugging Face Community Evals 打通后的双向流程，读者可据此判断评测结果跨平台复用的实际路径。