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 评测基准，旨在衡量语音 AI 在真实复杂对话中的拟人交互质量。该基准基于超过 100 万次人类评分，包含 78.5 万条 TTS 和 4.8 万条 STS 评分，涵盖 15 个以上评估维度与 60 多项指标，对 40 多个主流开源及专有模型展开了评测。
Why it matters: 该基准基于超百万次人类评分评估语音交互的拟人表现，揭示了传统指标高估现实能力的短板，为检验语音感知提供了新参考。
MIT 航空航天系举办 JARVIS 挑战赛，组织 31 名本科生在 4 周内借助生成式 AI 探索设计、制造与测试推力 50–100 磅的小型喷气发动机。各团队通过 MIT Parley 平台调用前沿大语言模型加速了文献查阅、软件学习和架构比选，但模型幻觉、缺乏物理直觉以及供应链制造延迟成为主要制约。
Why it matters: 实测记录了学生借助大模型设计喷气发动机的过程，揭示了 AI 辅助复杂硬件工程时的提效空间与物理制造瓶颈。
Sebastian Raschka 撰文详解并用代码实操了大模型评测的 4 大主流方法，将其归纳为基准测试与裁判评估两大类。内容涵盖 MMLU 多选题准确率评测、面向数学和代码领域的确定性验证器（Verifier）、LM Arena 风格的 Elo 偏好排行榜，以及通过 Ollama 调用大模型充当裁判（LLM-as-a-judge）的具体实现与优缺点权衡。
Why it matters: 原文从零代码拆解了多选题、验证器、排行榜和 LLM 裁判四类评测机制，有助于读者厘清基准测试的局限与组合评估策略。
SemiAnalysis 发布 H100 与 GB200 NVL72 的训练基准与 TCO 测算，指出 GB200 NVL72 的每 GPU 综合 TCO 约是 H100 的 1.6 倍，实际训练性能需至少提升 1.6 倍才具备成本优势。
Why it matters: 报告通过实际集群实测对比了芯片全周期 TCO，量化了新架构在可靠性不足与软件未成熟时的真实成本门槛。