Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱和 ThinkingBox-Bench 基准，507 个有状态业务工作流、每任务运行 20 次，用可执行检查评测终端数据库状态与副作用，现已通过 OpenEnv 在 Hugging Face 开放。
推荐理由：原文用可执行的后端状态检查区分了表面成功与真实结果，还给出各模型一致性与成本数据，对评估智能体有直接参考。
Hugging Face 团队提出 ProvenanceGuard，一个针对 MCP Agent 的来源感知事实性验证层，可在生成后检查每条论断的支持来源是否与答案声明或暗示的来源一致，识别"跨来源混淆"问题。
Voice Arena 与 Hugging Face 为 Open ASR Leaderboard 发布 Monsoon 四个评测集，覆盖印度英语与印地语，印地语是该多语言榜单首个非欧洲语言。
推荐理由：原文给出 Monsoon 评测集的划分结构、说话人覆盖与区域分析示例，读者可借此理解聚合 WER 之外的模型差异来源。
Hugging Face 发布研究，用一致性分歧探针、数字静默检索和拼写切换三类测试，评估 11 个开源 ASR 模型的基准优化（benchmaxxing）行为。
推荐理由：原文用三类探针量化语音识别中的基准优化现象，并给出模型名单、比例数据与可复用的检测脚本，读来能帮助避开仅看 WER 的选型误区。
Hugging Face 发布论文，通过缓存 teacher 的 top-100 logits 实现 offline 蒸馏，并引入 fused chunked KL 损失，避免生成全词表×序列长度的矩阵。
Hume 发布 Real World VoiceEQ 基准，评估语音 AI 交互的人性化质量，覆盖 ASR、TTS、S2S 和语音理解，评测 40 多个主流闭源与开源语音模型、15+ 维度和 60 多项指标。
Hugging Face 推出开源基准 ScarfBench（Self-Contained Application Refactoring Benchmark），用于评测 AI 智能体在企业级 Java 跨框架迁移任务上的表现，覆盖 Spring、Jakarta EE 和 Quarkus 三个生态。