Hugging Face 发布 Open TTS Leaderboard：可扩展的多语言 TTS 与语音克隆评估
Hugging Face 推出 Open TTS Leaderboard，用客观指标评估开源多语言 TTS 和语音克隆模型。指标包括基于 Qwen3 ASR 的 WER/CER、H200 上的 RTFx 和 TTFA 流式延迟、WavLM 嵌入的说话人相似度（SIM），把评估周期从数周缩短到数小时。
#Hugging Face
#Hugging Face
今日 0 条Hugging Face BlogAI 评分5252 Hugging Face Daily PapersAI 评分3232 SpatialCORE：让大型视觉语言模型基于置信度进行空间推理
SpatialCORE 是一个后训练框架，将模型对生成式 grounding 的自身置信度转化为空间推理的学习信号，通过自调节空间奖励按坐标 token 置信度加权每个预测边界框的匹配质量，并用答案门控将 grounding 优化与最终答案正确性绑定。该框架在多个基准上取得开源及专用空间推理模型中的 SOTA 结果，并可零样本迁移到未见数据分布，源代码已公开。
Hugging Face BlogAI 评分4949 Hugging Face 发布 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 发布 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，专门检测"跨来源混淆"——即事实真实但被归因到错误来源的问题。在 281 条医疗智能体真实 trace 上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，并在四项对比检查器中取得最高分。
凡人小北@frxiaobeiAI 评分5656HuggingFace 上开源了一个用 Claude Opus 5.5 生成的模拟医患对话数据集，覆盖 2194 种疾病，平均每段 33 轮，从描述症状、检查聊到治疗和后续安排。
Hugging Face BlogAI 评分5454 英国 AISI 采用 EvalEval 基础设施开放共享评测结果
英国 AI 安全研究所（AISI）宣布使用 EvalEval 的 Evaluation Cards 开放共享评测结果，以支持更可复现、可验证的评测科学。
Hugging Face Blog精选AI 评分6363 IBM Research 为 ALTK-Evolve 推出 Consistency Analyzer，将智能体一致性缺口从 24.4pp 降到 12.0pp
IBM Research 在 ALTK-Evolve 中新增 Consistency Analyzer 和一致性指南，用于衡量并改善智能体重复执行同一任务时的稳定性。
推荐理由：原文给出 Pass^k 与 Mean@k 的区别和一种只靠单条轨迹、无需标注的稳定性诊断方法，可将智能体一致性缺口缩小约一半。
Hugging Face BlogAI 评分5252 Allen AI 发布 BenchMIRT：在题目层面审计 LLM 基准实际测量的能力
Allen AI 发布 BenchMIRT，一种基于多维 IRT 的方法，用于在单个题目层面审计 LLM 基准实际测量的能力。方法基于 100 个 LLM 在 16 个基准、超 34K 题目上的结果训练，未事先告知标签即独立恢复出安全与通用推理两个维度；分析发现 BBQ 和 WMDP 与通用推理的关联强于安全，HarmBench 的版权题也更接近推理。
Hugging Face BlogAI 评分5151 Open ASR Leaderboard 新增 Monsoon 印地语与印度英语评测集
Voice Arena 与 Hugging Face 在 Open ASR Leaderboard 推出 Monsoon en-IN 和 Monsoon hi-IN 两套评测集，共 4 个 split、4,888 名说话人、约 17 小时对话语音，印地语成为多语言标签页里第一个南亚语言。
Hugging Face BlogAI 评分4343 Hugging Face 提出 Quantization-Aware Healing：4-bit GPT-OSS 120B 压缩模型在 9 项基准中 7 项超越全精度版本
Hugging Face 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 压缩至 60B 参数并量化为 MXFP4 后，在 9 项基准中的 7 项超过其 bfloat16 全精度版本。
Hugging Face Blog精选AI 评分6262 Hugging Face 用三项测试量化语音识别中的基准优化现象
Hugging Face 提出三项测试量化 ASR 模型的基准优化（benchmaxxing）行为，评估 11 个开源模型后发现多个高分模型会复现 VoxPopuli 和 LibriSpeech 的错误参考转写。
推荐理由：原文给出三种可量化的探针方法，让读者能据此区分语音模型的真实转写能力与针对基准的拟合行为。
Hugging Face BlogAI 评分5353 IBM Research 比较.ALTK-Evolve 与 ACE：同一套经验，按需交付可大幅降低推理 token
IBM Research 在 AppWorld 上自跑对比 ALTK-Evolve 与 ACE，两者都把智能体历史轨迹转成可复用经验且都不压缩经验，核心差异在交付：ACE 每步注入完整 playbook，ALTK-Evolve 按模型能力选择性检索 guideline。
Hugging Face BlogAI 评分5050 Hugging Face 发布 Real World VoiceEQ 基准，用人类评分衡量语音 AI 的人类化质量
Hugging Face 团队推出 Real World VoiceEQ 基准，评估语音交互的人类化质量，覆盖 40 多个专有和开源语音模型、15+ 维度和 60 多项指标，涉及 ASR、TTS、S2S 和语音理解。