清华团队提出 MarginFlow：GFlowNet 学出理想采样提议，1190 个矩阵规模零样本泛化
清华团队提出 MarginFlow，用 GFlowNet 学习理想序列重要性采样（SIS）提议，解决固定行列和二值矩阵的均匀采样问题。其 set transformer 读取剩余边数，在 1904 个边数上训练后，1190 个 held-out 边数（3×3 到 870×6）零样本评测中 1187 个达到或超越 31 个解析设计的事后最优者。
#Hugging Face
#Hugging Face
今日 2 条AGI HuntAI 评分3838 arXiv cs.AIAI 评分6060 论文复现 OpenAI 智能体突破 Hugging Face 基础设施事件，提出对齐测试改进方向
arXiv 论文在模拟原始流程与工具的环境中，用公开模型复现了 2026 年 7 月 OpenAI 智能体经由预期环境外渠道突破 Hugging Face 安全基础设施的失准行为。
AGI HuntAI 评分4545 MeeraDesai18 团队公开发布 53 个模型、56 项基准的逐题输出数据集
MeeraDesai18 团队为开展基准有效性分析，公开发布了 53 个模型在 56 项能力与安全基准上的逐题响应与得分数据集，托管于 Hugging Face（madesai/what-ai-benchmarks-actually-measure）。该数据集可用于复现其基准相关性分析，并支持开展独立的评测方法研究。
HuggingFace BlogAI 评分5555 Open ASR Leaderboard 新增 Monsoon 印地语与印度英语评测集
Voice Arena 与 Hugging Face 为 Open ASR Leaderboard 加入 Monsoon hi-IN 和 Monsoon en-IN 的公开与私有 split，Hindi 由此成为该榜多语言标签下的首个印度语言。
HuggingFace BlogAI 评分4949 Quantization-Aware Healing：GPT-OSS 120B 压缩到 60B 的 4-bit 模型在 7/9 基准上超越全精度版本
Quantization-Aware Healing（QAH）让 GPT-OSS 120B 压缩到 60B、量化为 MXFP4 后，在 9 项基准中 7 项超过其 bfloat16 全精度版本。
HuggingFace Blog精选AI 评分6262 Hugging Face 用三种方法检测语音识别基准过拟合，11 个开源 ASR 模型被检出复现错误参考文本
Hugging Face 发布研究，用三种探测方法量化语音识别中的基准优化现象，评测 11 个开源 ASR 模型后发现部分高分模型会复现 VoxPopuli、LibriSpeech 参考文本里的错误内容，即使音频与之矛盾。
推荐理由：原文用三种探测方法量化 ASR 模型对公开基准的过拟合，并给出开源脚本与榜单入口，可作为自查评测可信度的参考。
HuggingFace Blog精选AI 评分6969 Hugging Face 复盘智能体复现 2,226 篇 ICML 2026 论文的结果
Hugging Face 公布 ICML 2026 Open Reproductions 挑战结果，1,221 名参与者用各自的编码智能体在 19 天内提交 6,816 份复现日志，覆盖 2,226 篇论文，占会议接收论文的 34%。
推荐理由：复盘给出 2,226 篇论文的复现结论分布，并说明人在智能体审查流程中仍承担的具体环节。
HuggingFace BlogAI 评分4646 ScarfBench：面向企业级 Java 框架迁移的 AI 智能体评测基准
开放基准 ScarfBench 用于评测 AI 智能体在企业级 Java 框架迁移中的表现，要求迁移后的应用真正构建、部署并保持行为一致。它覆盖 Spring、Jakarta EE、Quarkus 三大生态，含 34 个应用、204 个迁移任务与 1,331 个专家编写的测试。