Ai2 发布 FairStress，测量模型决策过程中的公平性
新基准将关注点从最终选择扩展到决策稳定性，研究在人口属性变化时模型是否同样坚持正确判断。作者公开报告、数据与代码，适合负责模型评估的团队研究。
推荐理由：Codex 来源核对 · 原始技术资料，附实现与评估入口。
#评测/基准
Hugging Face Blog精选
Hugging Face Blog精选 IBM 研究用可学习记忆改善客服智能体表现
ALTK-Evolve 让智能体学习并复用操作指南，在不更新基础模型权重的情况下改善客服基准表现。文章同时讨论额外 token 成本与不同业务领域的指导强度，避免只看榜单结果。
推荐理由：Codex 来源核对 · 原始技术资料，附实现与评估入口。
OpenAI News精选 OpenAI 发布低资源编程语言评测，关注 COBOL 与 SQLite
OpenAI 介绍为低资源语言补充的软件工程评测，涵盖旧系统迁移与数据库任务。文章提供比较模型的方法，适合维护遗留系统的团队评估；评测成绩仍需用自家代码验证。
推荐理由：Codex 来源核对 · 原始技术资料，附实现与评估入口。
已经到底了