Meta 新论文提出 ProPerMem 基准：主动式助手难在自主判断何时插话
Meta 新论文指出，主动式助手（如 AI 眼镜）的失败点在于自主判断何时插话，而不只是说什么。团队构建 ProPerMem 基准，用第一视角视频搭配平均 618K token、含大量干扰项的一年期记忆，并标注人工核验的触发窗口。
#评测/基准
Rohan Paul (X)AI 评分5252
Turing Post (X)AI 评分1818 Turing Post 本周 AI 论文精选：智能体与具身智能
Turing Post 汇总了本周必读 AI 论文，涵盖 Cortex、Librarian Agents、OpenGCUA、DuoDiscover、WAVE-0 与 ACT3D 模型、Persistent Planar Memory、Mosaic 多会话智能体强化学习等主题。
AK (X)AI 评分3030 OmniCompass 全模态视频基准发布
OmniCompass 面向全模态视频定位与理解的综合基准 论文：https://huggingface.co/papers/2610.18829
Aran Komatsuzaki (X)AI 评分4545 前沿智能体科研论文完整性评测
这个新基准用领域科学家开发的15个开放科学后续问题评估九个前沿智能体，产出135篇研究论文。 大多数论文未通过完整性检查，包括声称的工作与支撑性执行证据之间的不一致。
AK (X)AI 评分2626 LLM 新颖性评估的不稳定性
旧想法，新问题 基于 LLM 的新颖性评估的不稳定性 论文：https://huggingface.co/papers/2610.02022
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，包含 219 个来自 187 个开源仓库、覆盖 19 种语言的 PR，分布参照 1.039 亿个 GitHub PR。
Andrej Karpathy (X)AI 评分2222 LLM 经纬度判断陆地海洋评测
很酷的评测。只需问 LLM "陆地还是水域？"，并以文本形式给它一个经纬度坐标。问 16,200 次，绘制成图像。模型知道答案。来自对互联网的压缩。
Qwen (X)AI 评分5050 千问发布 E-Commerce Bench 电商智能体基准
千问推出 E-Commerce Bench，用于评测长周期自主商业运营：智能体以 ¥100,000 启动资金经营网店 365 天，需处理选品、议价、定价、促销、库存与现金流。
AI at Meta (X)AI 评分4040 Meta 预览 WildArtifactBench 智能体评测框架
Meta 预览内部评测框架 WildArtifactBench，用于评估智能体在多种交付格式下完成复杂真实任务的能力。该框架不依赖严格的标准答案评分，而是采用人类与智能体偏好评判给出的胜率和 Elo 分数，从而扩大对实际多模态工作流的任务覆盖。Meta 已从中开放 10 个任务，用于衡量多模态智能体的实际实用价值。