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。
#评测/基准
#评测/基准
今日 0 条Hugging Face BlogAI 评分5252
OpenAI NewsAI 评分2929 OpenAI 推出 MentalHealthBench 心理健康对话评测基准
OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回复是否有帮助且安全。该基准覆盖多种现实心理健康对话场景，衡量模型回复的助益性与安全性。
OpenRouter Announcements精选AI 评分6161 OpenRouter 实测 Jev 1.13 与 Claude Opus 5 在 Banking77 分类任务上的准确率、延迟和成本
OpenRouter 用 Banking77 测试集的 3,080 条客服语句对比 Jev 1.13 和 Claude Opus 5 的意图分类能力。
推荐理由：原文给出了同一测试集下的准确率、延迟和成本对比，以及置信度级联方案，可用于判断小判断模型能否替代前沿模型。
OpenRouter AnnouncementsAI 评分5353 OpenRouter 实测 TypeSafe 决策模型 Jev 与 LLM-as-a-Judge：封闭标准打平，开放标准 LLM 判官胜出
OpenRouter 在 2026-09-21 用 HaluEval 88 条标注数据和 SummEval 50 条专家评分摘要对比 typesafe/jev-1.13 与 openai/gpt-5.6-luna 两种评测判官。
LangChain BlogAI 评分5151 LangChain 实测 Jev 作智能体评测器：与 GPT-5.6 Luna、Terra 和 Claude Sonnet 4.6 对比
LangChain 团队测试了 TypeSafe AI 的 Jev 作为智能体评测器的表现。Jev 是不生成文本的 System One 决策模型，支持 Choice、Score 和布尔三类问题，官方称在分类任务上推理最快达 200 倍、成本最低至 1/400。
OpenRouter Announcements精选AI 评分8080 OpenRouter 实测20个图像生成模型的真实成本、编辑与质量差异
OpenRouter 用同一提示词实测20个图像生成模型的真实计费，1024x1024 单张图价格在 $0.006（openai/gpt-image-2）到 $0.1344（google/gemini-3-pro-image）之间，相差22倍。
推荐理由：原文用统一提示词实测20个图像模型的实际计费，给出按任务选模型的结论，比照牌价更可靠。
NVIDIA BlogAI 评分4343 NVIDIA Vera Rubin NVL72 首登 MLPerf Inference v6.1，性能领先
NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首次预览提交中，Qwen3-VL 吞吐量最高达 GB300 NVL72 的 3.7 倍，DeepSeek-R1 上最高 2.5 倍。GB300 NVL72 以 288 GPU 四机架提交实现 99% 扩展效率，软件优化较 v6.0 带来最高 1.6 倍性能提升。
OpenRouter AnnouncementsAI 评分5757 OpenRouter 评测 Seedance 2.5：长单镜头与视频引用场景的优势与取舍
OpenRouter 发布 Seedance 2.5 评测。该模型自 2026 年 8 月 7 日上线其视频 API，支持 4 到 30 秒、480p 或 720p、首尾帧控制及图像、视频、音频引用，音频同趟生成不加价。
Google DeepMindAI 评分5454 Google DeepMind 试点全球首个双盲 AI 评测
Google DeepMind 于 8 月 27 日宣布试点针对专有前沿模型的首个双盲 AI 评测，将外部评测限制在密码学保护的“盒子”环境中，防止模型提前接触测试题导致分数虚高。
OpenRouter Announcements精选AI 评分6565 OpenRouter 上线实时网络搜索基准：比较引擎、深度与模型的取舍
OpenRouter 发布实时网络搜索基准榜单，覆盖 BrowseComp、DeepSearchQA、WideSearch 和 HLE 四套评测，比较模型、引擎（Exa、Parallel、Perplexity 及 OpenAI、Anthropic、Google 原生搜索）、搜索方法与预算的组合。
推荐理由：原文用四套实时榜单量化搜索预算、引擎与模型对质量和成本的影响，还给出可直接套用的参数配置方法。
OpenRouter Announcements精选AI 评分7171 OpenRouter 实测图像 detail 参数：推理模型用 low 更贵更差
OpenRouter 在 MMMU-Pro Vision（1,730 题）上基准测试 OpenAI 和 Google 五款模型的图像 detail 设置，发现 gpt-5.5 用 low 比 auto 低 13.8 分（65.2% vs 79.0%）且每题更贵（5.1¢ vs 4.5¢），原因是模型为看清热压缩图像多花 1.6x 推理 token。
推荐理由：基于 MMMU-Pro Vision 实测五款模型，给出推理模型保持 auto 细节、改调 reasoning effort 省钱的可操作结论。
Sierra BlogAI 评分3030 Sierra 如何评估它的 Monitors？
Sierra 详解其始终在线的评估层 Monitors 如何被评估：每个 monitor 先基于真实对话人工标注的示例定义目标行为，再由多个模型评判并与团队标签比对，分歧处回炉迭代直至模型稳定一致。
Sierra Blog精选AI 评分6464 Sierra 发布 𝜏-voice 基准，在真实语音条件下评测实时语音 Agent
Sierra 团队推出 𝜏-voice 基准，将 𝜏-bench 的 278 个客服任务与全双工实时语音、可控真实音频结合，任务、工具和评估器与文本版逐字节一致，语音成绩可与文本 Agent 直接对比。
推荐理由：语音与文本能力可在同一套任务上直接对比，还给出了噪音与口音下各厂商的具体失败模式。
Google ResearchAI 评分4646 Google Research 研究：AI 评测需要多少标注者才够？
Google Research 在《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究了评测条目数与每条目标注者数的权衡，发现常用的 1–5 名标注者往往不足，可靠结果常需每条目 10 名以上标注者。
Sierra BlogAI 评分5555 Sierra 发布 𝜏³-Bench：将 Agent 基准扩展到知识库与实时语音
Sierra 发布 𝜏³-Bench，在 𝜏-Bench 基础上新增 𝜏-Knowledge 与 𝜏-Voice 两个评测域，并合入社区对原有 airline、retail、telecom 任务的修复。
Google ResearchAI 评分4949 Google 用高温超导研究问题测试 LLM：NotebookLM 与自建 RAG 系统表现最佳
Google 与康奈尔大学合作，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由 12 位国际专家盲评打分。NotebookLM 在多数维度表现突出，自建 RAG 系统紧随其后，两者与 Gemini 在观点平衡性和答案全面性上排名前三。
LMSYS BlogAI 评分5252 SGLang 在 NVIDIA GB300 NVL72 上实现最高 25x 推理性能提升
SGLang 团队与 NVIDIA 合作宣布，在 SemiAnalysis InferenceXv2 基准上，SGLang 运行 DeepSeek R1 在 GB300 NVL72 上相比 H200 实现最高 25x 性能提升，同时不到 4 个月内将 GB200 NVL72 上的性能提升最高 8x。