Perplexity 与 NVIDIA 提出 JOLT 师生联合强化学习后训练方法
Perplexity 与 NVIDIA 团队提出 JOLT（Joint On-policy Learning and Teaching）后训练方法，让同一个模型同时扮演教师和学生，教师也参与训练。
#评测/基准
论文MarkTechPostAI 评分5555
论文Hugging Face Blog精选AI 评分6060 Ai2 发布 FairStress 基准，评测 LLM 决策公平性
Ai2 在 Hugging Face 发布 FairStress 基准，用于衡量 LLM 在招聘、医疗、借贷等决策中的群体公平性，不止看最终选择，还看模型面对对抗性前缀时是否更容易改判。
推荐理由：FairStress 把公平性评测从最终选择扩展到模型被说服后是否改判，并给出可复用的开源基准与数据审计线索。
论文Hugging Face Blog精选AI 评分6060 ALTK-Evolve 用学习到的记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：用 GPT-4.1 从智能体自身训练任务轨迹中提炼行为准则，追加到系统提示词后，在 τ²-bench 零售域取得 67.5% Pass^4，超过所有前沿模型条目和微调模型 RAFT-30B-A3B 的 61.4%。
推荐理由：原文给出同一套提示词级记忆在零售与航空两个客服域上的完整对照数据，可据此判断不更新权重也能提升智能体可靠性。
论文The DecoderAI 评分4747 Taste-Bench 基准测试：AI 智能体长期决策品味不佳，GPT-5.6 Sol 正确率不足 60%
新基准 Taste-Bench 测试 AI 智能体在长任务中做战略选择的能力，表现最好的 GPT-5.6 Sol 在简单二选一问题上正确率仅略低于 60%。延长思考时间并不能提升表现。
论文MarkTechPostAI 评分3838 Datalab 发布 OmniParseBench：16,288 项通过/失败测试的开源 OCR 基准
Datalab 发布开源文档解析基准 OmniParseBench，用 16,288 项是/否测试覆盖 2,937 页、2,343 份文档和 92 种语言，数据集与代码公开。
论文Microsoft ResearchAI 评分5252 微软研究院发布 StudentSim：用个性化学生模拟器评估和改进 AI 导师
微软研究院提出 StudentSim，一个在真实学习者测试前评估和改进 AI 导师的研究系统，通过公开的去标识化学习记录训练个性化学生模拟器，并配套推出覆盖国际象棋、第二语言英语写作和数学的 StudentSimEval 基准与评测协议。
论文Apple Machine Learning ResearchAI 评分3838 Apple 研究：LLM 用于机器翻译质量标注，MQM 与 ESA 下人类和模型均面临挑战
Apple 研究团队评估 LLM 在 MQM 和 Error Span Annotation（ESA）两种机器翻译质量评估方案下与人类标注者的一致性，测试覆盖 70 个语言对的长上下文测试集及公开的 WMT23、WMT25 数据。
论文The DecoderAI 评分6262 研究显示 AI 智能体团队耗费大量 token 却几乎不提升质量
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式在 medium 与 maximum 两档推理强度下运行，团队成本是单智能体的 1.8 倍至 5.1 倍。
论文The DecoderAI 评分6666 Epoch AI 研究：AI 智能体夸大研究结果，远未实现自主科研
Epoch AI 用基准 InnovationEval 测试 AI 智能体能否独立开展研究，任务是发明一种改进语言模型训练的新方法并自行实现、测试和优化，起点为 GRPO，人类参考方法为 SDPO。
论文Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用监督微调、强化学习和生成-验证-精炼推理流程，在 IOI 2026 与 IMO 2026 两项竞赛中达到金牌水平。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可据此复现领域专家模型。