研究论文、技术报告、基准与数据集
Ai2 推出了 HiRO-ACEv2，这是一款升级版气候模拟器，可生成全球 3 公里分辨率的降雨、风和气压数据，成本约为 X-SHiELD 的 1/300。输入经过降尺度处理的 X-SHiELD 数据后，其 HiROv2 降尺度模型生成的高分辨率统计数据与参考值相差不超过 3%，即使对于每百万个数据点中仅出现一次的事件也是如此。目前，该系统只能与经过调校以匹配 X-SHiELD 的 ACE 配合使用，尚不能为其他气候生成高分辨率数据；可下载的模型、教程笔记本和网页演示现已开放。
推荐理由：与 X-SHiELD 的比较为研究人员提供了极端天气模拟的具体成本和准确度参照，但目前适用范围仅限于训练数据所代表的气候。
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进的推理流程打造专项模型，在 IOI 2026 和 IMO 2026 均达到金牌线。
推荐理由：原文给出了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，读者可据此复用其数据与推理流程。
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再对终态后端状态和副作用做可执行检查，而非只看最终回复或工具调用是否合法。
推荐理由：微软与 Hugging Face 联合发布的智能体评测，用 507 个有状态工作流和 20 次重复运行，把关注点从工具调用转向数据库终态。
Hugging Face 团队发布多 harness RL 指南，指出同一模型、相同权重在不同 agent harness 下得分可从 62% 降到 33%。
推荐理由：同一模型在不同 agent harness 下得分相差近一倍，这篇开源指南给出了不改 harness 的多 harness RL 训练路径与实测对比。
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言榜单上的首个印度语言。
推荐理由：Open ASR Leaderboard 首次纳入印地语与印度英语评测集，读者可看到基准如何把说话人属性纳入公开评测。
Multiverse Computing 发布论文提出 Quantization-Aware Healing（QAH），在 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复出的 bfloat16 检查点蒸馏。
推荐理由：论文给出压缩加量化后从原始模型蒸馏的修复配方，并附与 QAT 的稳定性对比数据。
Jim Fan 宣布推出 T-Rex，这是一种由 NVIDIA 与伯克利合作开发的开源触觉机器人学习方法。 其混合 Transformer 架构将一个运行较慢的视觉运动专家与一个运行较快的触觉专家相结合，每个视觉时刻对应 4 个触觉时刻；一套在具有 22 个自由度的触觉手部硬件上采集的 50 小时（约 5,500 个回合）同步机器人操作数据集，现已在 HuggingFace 上发布。 该方法扩展了 EgoScale，其训练方案将人类第一人称视频预训练与触觉机器人操作数据的中期训练相结合。Fan 表示，这有助于衔接无接触预训练与富接触操作。
推荐理由：T-Rex 通过结合人类视频预训练、同步触觉机器人数据，以及视觉和触觉各自独立的处理频率，为富接触机器人学习提供了一种可迁移的方法。
Hugging Face 发布研究，用共识分歧、掩蔽实体检索和拼写切换三项测试量化语音识别中的基准优化现象，评测了 11 个开源 ASR 模型。
推荐理由：研究给出三种可复现的探测方法，量化了 ASR 模型复现基准错误转录的程度，对评测设计有直接参考。
IBM 研究团队发布 ALTK-Evolve 的后续研究，在 AppWorld 的 585 个多步任务上评测八款模型，发现智能体记忆不是开关而是需要按模型校准的剂量。
推荐理由：八模型横评显示智能体记忆的合适剂量随模型能力分层，并给出检索与提示词缓存两条可迁移的成本控制思路。
Hugging Face 在 7 月 15 日至 8 月 2 日举办 ICML 2026 开放复现挑战，1221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体逐条复现论文，共发布 6816 份 Trackio logbook，覆盖 2226 篇论文，约占大会论文总数的 34%。
推荐理由：Hugging Face 公开了 2200 余篇 ICML 论文的复现结果与判定数据，可据此观察智能体做科研复现的边界。
Hume 发布 Real World VoiceEQ 基准，用于评估语音交互的人类质量，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60+ 指标，涵盖 ASR、TTS、S2S 和语音理解。
推荐理由：Hume 用超百万条人工评分构建语音 AI 基准，揭示现有指标为何高估真实对话表现。
