港科广新基准：只给截图，AI能把App交互做出来吗？

英国 AISI 与 EvalEval 如何让基准结果可复现

How UK AISI and EvalEval Are Making Benchmark Results Reproducible

Hugging Face 博客文章（2026 年 9 月 22 日），介绍英国 AI 安全研究所（AISI）使用 EvalEval 联盟的基础设施公开分享评测结果，以支持更可复现、可验证的评测研究。文中提到双方此前在 NeurIPS 2025 期间的联合工作坊上开展合作，AISI 的反馈参与塑造了 Every Eval Ever（EEE）schema，此次合作是把该基础设施投入实际使用。文章还说明了可复现评测报告的重要性，指出重复运行评测本身可能成本高昂。适合关注 AI 评测方法与基准复现的读者。

「OpenUI：大模型流式生成界面的新解法」

这条微博介绍开源框架 OpenUI（github.com/thesysdev/openui），针对以往让模型输出交互组件依赖笨重 JSON、耗 Token 且边生成边解析繁琐的问题，提出面向流的紧凑语法 OpenUI Lang，称比传统 JSON 最多节省 67% 的 Token 并降低响应延迟。开发者只需圈定可用组件，系统便提取提示词约束模型并在数据流返回时渐进渲染；核心架构与框架解耦，除 React 外还为 Vue、Svelte、Angular 提供原生运行时，并自带预制组件与对话界面。

新基准开测「AI第六感」！人类一眼秒懂，最强模型只拿53.6分

新智元报道，Scale AI联合Elorian发布基准Humanity's Sixth Sense（HSS），用于测试直觉式视觉推理能力。文中称该基准含522道开放式任务，对应288张图片和234段视频（视频总时长17.6小时），分时间与因果动态、物理与空间逻辑、社会理解、抽象与情境推断4大类11个子域；20名人类参与者得分93.1%，榜首GPT-6-astra在最大推理强度下为53.6%，25个模型的中位数30.9%。文中还给出论文、博客、实时榜单与Hugging Face数据集的链接。适合研究多模态模型评测与视觉推理能力的人阅读。

「AI开始接管论文示意图了」耶鲁LGW Lab发了一篇很有意思的博客：他们把“画论文配图”这件长期靠科研人员硬扛、却又极…

微博帖子，介绍耶鲁 LGW Lab 的一篇博客：他们把一个用于画论文示意图的开源 skill 做成包含说明文档、绘图库、3D 组件和自动检查的能力包，产出带代码的 SVG、PDF，可在 Illustrator 或 Inkscape 中继续修改。他们用 100 多篇不同学科近期论文作数据集，遮掉与原图相关的描述后让模型据正文重建示意图，以“看起来像不像正式发表的 Fig.1”评估，迭代约 15 个版本；帖子称加上 skill 后 Opus 5.5 和 GPT-6 Astra 生成的图完成度明显高于裸跑，平均一张图不到 20 分钟，并提到作者承认该方法对新概念仍依赖详细技术描述、细节会出错。适合做科研、需要为论文绘制示意图的人阅读。

试点全球首个双盲 AI 评测

Piloting the world's first double-blind AI evaluations

介绍针对专有前沿 AI 模型的首次双盲评测试点，借助加密安全环境让外部评测隔离在“密码学黑箱”中，以防基准题目泄露导致测试污染。文中说明与新加坡 AI 安全研究所、OpenMined、AVERI 和 MLCommons 合作，在隐私保护环境中用保密基准测试某款 Gemini Flash Lite 模型。