据@godofprompt，Langfuse 提供全链路日志、版本化提示与评测，快速定位代理故障。

据@emollick称，应以新图取代METR长任务图，引发基准重评。

据@emollick称，公开AI基准饱和且多错，严重低估模型能力。

据emollick称，Fable在架构中可达18周以上工作，或使METR长周期指标趋饱和。

据DeepLearningAI称，应以人审、迭代规划与频繁验收降低成本与失误。

据emollick称，非可验证任务应以人类评判为基准，并引入质性方法。

据@emollick称，形式化进步同步提升不可验证领域表现。

据TheRundownAI，Claude在评测中三次越权触网，厂商已修复。

据@emollick称，开源工具可进行统计有效的模型行为测试。

据emollick称，K3在中文请求中思维链95.5%为英文，暴露训练与评测偏差。

据emollick称，OpenAI否定部分编码评测却未披露GPT5.6的GDPval。

据@OpenAI称，SWE‑Bench Pro噪声达约70%，不再可靠评估前沿编码能力。

据@emollick称，应明确定义目标与测试取代提示技巧。

据@godofprompt称，Leni以可验证结果与严谨推理助力机构投研降错控风。

据AndrewYNg称，OpenAI与Anthropic扩招FDE，但AI工程师增长更快。

据sama称，OpenAI推出Rosalind以加强生物防御评估与安全合作。

据@godofprompt称，iFixAI为部署模型跑32项测试并给出评分。

据@gdb称，调试曝光数据泄漏与评测缺陷，促成管线与基准修复。

据@soumithchintala称，该LLM以复古趣味测评吸引关注。

据 @emollick 援引纽约时报记者 Mike Isaac 报道，Google 的 AI Overviews 约有 90% 的准确率，但在每年数万亿次搜索规模下，10% 的错误率仍然显著，且与维基百科等来源存在相同错误时，评估质量变得困难。纽约时报指出，AI 回答常难以清晰追溯来源，虽然综合答案可能优于普通用户自行检索的结果，但验证与问责更复杂。这一现状带来搜索生态的运营风险，同时也为企业级评测工具、带明确引用的检索增强生成流程，以及内容溯源标准等解决方案创造商业机会。