InternLM 发布 EMemBench：面向 VLM 智能体情景记忆的交互式基准
上海人工智能实验室 InternLM 推出 EMemBench，一个面向 VLM 智能体的情景记忆交互式基准，论文已被 EMNLP 2026 Findings 收录。该基准以交互方式评测智能体的情景记忆能力，官方仓库已同步开放。
#评测/基准
#评测/基准
今日 51 条上海人工智能实验室 InternLM：原创项目AI 评分2626
Ethan Mollick：One Useful Thing（RSS）AI 评分6060 Ethan Mollick：与其只看基准分数，不如像面试一样测试你的 AI
Ethan Mollick 撰文指出，MMLU-Pro 等公开基准存在数据污染、题目含义不明和无法度量写作、商业判断等能力的问题，但仍共同反映底层能力的上升趋势。他建议个人用自设的 vibes 测试了解模型风格，组织则应参考 OpenAI 的 GDPval 方法，用真实任务、多次重复和专家盲评来系统评估模型在自己业务上的表现，并通过 GuacaDrone 等案例观察不同模型在模糊判断上的稳定差异。
Ahead of AI（RSS）AI 评分6363 Sebastian Raschka 从零讲解 LLM 评测的四种主要方法：多选题、验证器、排行榜与 LLM 评审
Sebastian Raschka 长文讲解 LLM 评测的四种主要方法：多选题基准（如 MMLU）、验证器、偏好排行榜（如 LM Arena）和 LLM-as-a-judge，并配从零实现的代码示例。
OpenAI Developers（RSS）AI 评分3838 OpenAI Evals 入门指南：用 Datasets 编写评估
OpenAI 发布 Evals 入门指南，介绍如何用平台 Datasets 功能创建数据集、编写提示词并生成输出来评估模型表现。Evals 平台正在弃用，现有内容在过渡期内仍可用，2026 年 10 月 31 日起对现有用户转为只读，11 月 30 日关停。
OpenAI Developers（RSS）AI 评分4949 OpenAI Evals API 使用指南：如何用 API 配置和运行模型评估
OpenAI 发布 Evals API 使用指南，介绍如何通过 API 以编程方式配置评估，用 data_source_config 定义测试数据 schema、用 testing_criteria 设置评分器，并以 IT 工单分类为例演示完整流程。
Answer.AI 官方研发博客（RSS）AI 评分4646 Answer.AI 发布 ReadBench：评测视觉语言模型的文本读取能力
Answer.AI 推出 ReadBench 基准，将 MMLU-Redux、MMLU-Pro、GPQA-Diamond、BABILong 和 LongBench 等文本基准的上下文转为图像、问题保留为文本，评测 VLM 从图像中读取和推理文本的能力。
小米 MiMo：GitHub 新仓库（模型发布）AI 评分2626 小米 MiMo 发布 lmms-eval：一键评估加速 LMM 开发
小米 MiMo 推出 lmms-eval，一个面向大型多模态模型（LMM）的一键式评估模块，用于加速 LMM 开发。该工具以评估模块形式提供，具体支持的模型、基准与使用方式未在原文中说明。
Mistral AI：News（网页）AI 评分4343 Mistral 如何用 LLM as a Judge 评估 RAG 系统
Mistral 提出用 LLM as a Judge 结合 RAG Triad 框架评估 RAG 系统，从上下文相关性、有据性和答案相关性三个维度打分。其 API 新增的结构化输出功能可定义评分 schema，让评判 LLM 输出机器可读的分数，从而构建更可靠的自动化评估流程。
Answer.AI 官方研发博客（RSS）精选AI 评分7979 Answer.AI 团队实测 Devin 一个月：20 个任务仅 3 个成功
Answer.AI 团队对 Devin 进行一个月真实任务实测，20 个任务中 14 个失败、3 个无结论、仅 3 个成功，且无法预测哪些任务会成功。Devin 在处理现有代码库、研究类任务中常陷入技术死胡同或幻觉出不存在的功能，团队结论是其自主性反而成为负担，更倾向使用 Cursor 等由开发者主导的 AI 辅助工作流。
推荐理由：作者团队用一个月、20 个真实任务实测 Devin，给出了成败分布和与 Cursor 类工作流的对比，可作为评估自主编码智能体的参照。