Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，包含参数知识、搜索、多模态及 Grounding v2 共 3,513 个公开测试用例。评测显示 Gemini 3 Pro 以 68.8% 的 FACTS Score 领先，所有模型准确率均低于 70%，多模态任务得分最低。
推荐理由：提供涵盖参数知识、搜索与多模态的4项事实性评测基准，揭示前沿模型在事实准确性上的具体短板。
Google Research 发布 Titans 架构与 MIRAS 理论框架，利用深度神经网络作为记忆模块实现 AI 的长期记忆。该架构在 BABILong 等基准测试中超越 Transformer++ 和 Mamba-2，支持超过 200 万 token 的上下文窗口，同时保持线性推理速度。
推荐理由：提出结合RNN速度与Transformer精度的新架构，通过深度记忆模块实现超长上下文的高效推理。
Google Research 发布 Massive Sound Embedding Benchmark (MSEB)，旨在标准化评估多模态模型的听觉智能。该基准涵盖语音检索、推理、分类等八大核心能力，并包含包含 177,352 条语音查询的 Simple Voice Questions (SVQ) 数据集。实验显示当前声音表示远非通用，在各项任务中均存在显著的性能提升空间。
Google Research 发布基于线性回归的轻量级 AI 模型，预测特定充电桩在指定时间后的可用性概率。该模型通过每小时特征权重量化占用率变化，在 30 至 60 分钟预测窗口内，相比“保持当前状态”基线显著提升了准确率。
Google 发布端到端实时语音翻译模型，延迟仅2秒并保留原声，已在 Google Meet 和 Pixel 10 部署。该模型基于 AudioLM 和 SpectroStream 架构，支持英、西、德、法、意、葡等语言。
推荐理由：端到端架构将延迟降至2秒并保留原声，已在Google Meet和Pixel 10部署，可据此评估实时语音翻译的技术进展。
Google Research 联合 Google DeepMind 发布 Natural Forests of the World 2020 地图及数据集，利用 MTSViT 模型实现 10 米分辨率天然林识别，准确率达 92.2%。同时发布 Planted 和 ForTy 两个大规模基准数据集，用于支持 EUDR 合规及下一代森林分类模型研发。
推荐理由：发布全球首个10米分辨率天然林地图及基准数据集，为合规与生态监测提供高精度AI基线。
Google DeepMind 发布 SIMA 2，将 Gemini 模型作为核心推理引擎，使智能体能在 3D 虚拟环境中理解复杂指令、进行链式推理并自我改进。该模型在跨游戏泛化和与用户协作方面表现显著，目前作为有限研究预览向学术界和游戏开发者开放。
推荐理由：SIMA 2 将 Gemini 推理能力引入 3D 游戏，实现了跨游戏泛化与自我改进，为具身智能提供了新路径。
Google Quantum AI 发布名为 Decoded Quantum Interferometry (DQI) 的量子算法，用于解决经典计算机难以处理的优化问题。该算法将优化问题转化为解码问题，在最优多项式交集（OPI）任务中，仅需数百万次量子逻辑操作即可求解，而经典计算机需超过 10^23 次操作。
Google Research 提出 Nested Learning 新范式，将模型架构与优化算法统一为多层级优化问题，以解决持续学习中的灾难性遗忘。基于该范式设计的 Hope 架构在语言建模中表现优异，并展现出比现有 SOTA 模型更好的长上下文记忆管理能力。
Google Research 发布 DS-STAR，这是一款能自动处理多样化异构数据并生成可执行代码的数据科学智能体。该框架通过数据文件分析、LLM 验证和顺序规划机制，在 DABStep、KramaBench 和 DA-Code 基准测试中均取得最先进性能。DS-STAR 在 DABStep 上的准确率从 41.0% 提升至 45.2%，并在该基准的公共排行榜上排名第一。
Google Research 与 DeepMind 发布 ForestCast，利用纯卫星数据和视觉 Transformer 模型预测森林砍伐风险。同时开源首个用于训练深度学习模型的公开基准数据集，旨在帮助政府和企业提前干预以遏制森林损失。
推荐理由：基于纯卫星数据预测森林砍伐风险并开源基准数据集，为生态保护提供可复现的AI工具。
Google 发布 Project Suncatcher 研究，提出由搭载 Google TPUs 的太阳能卫星组成的星座，通过自由空间光链路连接以构建可扩展的太空 AI 基础设施。早期实验验证了单对收发器可实现 800 Gbps 传输，Trillium v6e Cloud TPU 在辐射测试中表现稳健，预计 2030 年代中期发射成本将降至 200 美元/kg 以下。
Google Research 发布 Google Earth AI、DeepSomatic 与 Quantum Echoes 三大突破，加速科研与应用的循环。
Hugging Face 发布检索嵌入基准（RTEB）Beta 版，旨在通过混合开放与私有数据集策略，可靠评估嵌入模型在真实应用中的检索准确性。该基准涵盖 20 种语言及法律、医疗等关键领域，默认使用 NDCG@10 作为排行榜指标，以解决现有基准存在的泛化差距和与企业用例脱节问题。
SandboxAQ 在 Hugging Face 开源 SAIR 数据集，包含 524 万条由 Boltz1 生成的 AI 共折叠蛋白-配体 3D 结构及实验验证的 IC50 数据。该数据集采用 CC BY 4.0 许可，97% 的结构通过了 PoseBusters 验证，旨在解决 AI 药物研发中高质量结构数据的长期短缺问题。
推荐理由：SAIR 开源了 524 万条高精度蛋白-配体 3D 结构及 IC50 数据，为 AI 药物发现提供了稀缺的高质量训练集。
Hugging Face 发布 FilBench，系统评估 LLM 在 Tagalog、Filipino 和 Cebuano 等菲律宾语言上的表现。评测涵盖文化、NLP、阅读理解和生成四大类，结果显示 GPT-4o 表现最佳，而 SEA-LION 等区域模型在参数效率上具有优势。开源模型在成本效益上优于商业模型，但翻译任务仍是主要难点。
Hugging Face 发布 3LM 基准测试，专门评估阿拉伯语大语言模型在 STEM 学科和代码生成领域的表现。该基准包含 865 道原生 STEM 选择题、1,744 道合成高难度题目及基于 HumanEval+ 和 MBPP+ 翻译的代码任务。测试显示 Qwen2.5-72B-Instruct 在 STEM 选择题中表现最佳，GPT-4o 在代码生成任务中得分最高。
Hugging Face 发布 FutureBench，旨在通过预测未来事件评估 AI 智能体的推理能力。该基准利用新闻和 Polymarket 数据生成问题，避免数据污染并提供可验证结果。初步测试显示，GPT-4.1、Claude 3.7 和 DeepSeek-V3 在信息搜集和推理策略上存在显著差异。
Hugging Face 与 Adyen 联合发布 DABStep 基准，包含 450 多个基于真实金融支付业务提取的多步数据分析任务。评测显示，即使是 o3-mini 等最强推理模型，准确率也仅为 16%，暴露出当前 AI 智能体在复杂数据推理上的显著不足。
推荐理由：基于真实业务数据构建，揭示了当前最强推理模型在复杂多步数据分析任务中准确率不足20%的显著差距。
Hugging Face基于Open LLM Leaderboard评估的3000多个模型，量化了模型推理阶段的CO₂排放。研究发现，社区微调模型通常比官方基座模型更具碳效率，这主要归因于微调减少了输出冗余和重复模式，从而降低了推理时的计算开销。
Artificial Analysis 发布 Big Bench Audio 数据集，评估语音语言模型的推理能力。测试显示 GPT-4o 在语音到语音任务中准确率仅为 66%，远低于文本处理的 92%，传统语音转文本再转语音的流水线方案在推理准确性上目前优于原生语音模型。
推荐理由：首次量化语音推理性能衰减，揭示原生语音模型在复杂推理任务中显著落后于文本处理。
Entalpic 与 Hugging Face 联合发布 LeMaterial 开源项目，旨在通过统一清洗材料数据加速机器学习驱动的材料发现。首期发布的 LeMat-Bulk 数据集整合了 Materials Project、Alexandria 和 OQMD 三大数据库，提供 6.7M 条标准化条目及 7 种材料属性。
Hugging Face 社区发布了面向文本到图像生成的开源偏好数据集，包含 1 万对偏好样本，涵盖多种图像风格与提示词复杂度。数据集采用 Apache 2.0 协议，附带用于数据预处理和后处理的代码，并提供了基于 FLUX.1-dev 模型的 LoRA 微调适配器。
推荐理由：开源了文本到图像生成的偏好数据集及微调代码，为社区提供了可复用的训练素材。
AraGen Benchmark 发布，推出基于 3C3H 评估框架的阿拉伯语 LLM 排行榜。该框架通过 LLM-as-a-Judge 从正确性、完整性、简洁性、有用性、诚实性和无害性六个维度综合评估模型的事实准确性与可用性。排行榜采用动态评估策略，数据集每三个月轮换一次以防范数据污染。
Hugging Face 发布 Open FinLLM Leaderboard，填补金融领域大语言模型评估空白。该榜单涵盖信息提取、情感分析、信用风险评分等七大类别，采用零样本评估方法，通过准确率、F1 分数等指标衡量模型在真实金融场景中的表现。
BenCzechMark 是首个全面评估大语言模型捷克语能力的评测基准，涵盖 50 项任务和 9 个类别。该基准包含 90% 的原生非翻译内容，提供准确率、精确匹配、AUROC 和困惑度等指标。目前排行榜已收录 25 多个不同规模的开源模型。
Hugging Face 发布 FineVideo 数据集，包含 4.3 万个视频、3.4k 小时时长及丰富的结构化标注。文章详细披露了从 YouTube-Commons 中筛选动态内容、构建分类法，以及利用 Gemini 1.5 Pro 和 GPT4o 进行时间级语义标注的完整技术管线。
推荐理由：文章详细披露了构建4.3万小时高质量视频数据集的过滤与标注管线，为多模态模型训练提供了可复用的工程方法。