微软把 Agent 评测补成三件套，NVIDIA 把韩国 Persona 做成主权数据集

这一周微软连续把三类 Agent benchmark 摆上台面。`microsoft/WebTailBench` 把 computer-using agent 评测做成 609 个 hand-verified 真实网页任务 + 111 个 refusal 任务，覆盖 11 个主任务类别与 7 个安全拒答类别；`microsoft/MM-WebGen-Bench` 则把网页生成评测扩到 120 个 curated prompt，覆盖 11 个 scene、11 个 visual style、以及 video / image / chart 多模态组合；`microsoft/delegate52` 进一步把 benchmark 拉到长周期 delegated workflow，公开版仍包含 234 个 work environment、横跨 48 个专业文档领域。与此同时，`surgeai/GDP.pdf` 又把 frontier LLM 的 PDF parsing 评测做成 50 份真实 PDF、每题最多 30 条 rubric。配合 Hugging Face 4 月 16 日的 `Ecom-RLVE` 文章，这周公开生态已经不再满足于“答对一道题”，而是开始系统化评测 Agent 在真实环境里能不能完成任务。

NVIDIA 本周把 `nvidia/Nemotron-Personas-Korea` 放上 Hugging Face，并在 2026-04-21 发文解释它的意义：这套数据不是泛泛的 prompt persona，而是用韩国统计厅（KOSIS）、韩国法院、国民健康保险、公营研究机构等官方数据做 grounding 的合成 persona 数据层。官方文章写明，它覆盖韩国全部 17 个省级地区、25 个区、约 209K unique names 和 2K+ occupation categories，并明确按 PIPA 合规思路设计，避免任何真实 PII 泄露。对 Agent 来说，这意味着 persona 不再只是“风格设定”，而是开始承载地域、职业、称谓、制度与场景约束。

`google/RSRCC` 在 2026-04-15 上线，数据页显示默认子集达到 126k rows，把 remote sensing change understanding 做成时间前后图像 + 自然语言问答的组合；Google DeepMind 同周发布 `Gemini Robotics-ER 1.6`，官方博客直接强调 spatial reasoning 与 multi-view understanding；NVIDIA 的 `PhysicalAI-Robotics-NuRec` 则把 Isaac Sim 可直接使用的 3DGUT USD、mesh 与 occupancy map 资产放到同一套机器人数据资产里。三者加在一起说明，物理世界数据正在从“单张图像分类”往“多视角、可操作、可仿真、可验证”的资产形态迁移。

这周 `google/WaxalNLP` 仍保持 10,582 下载，覆盖多种非洲语言的 ASR 与 TTS；Meta 的 `facebook/bouquet` 则把 translation quality benchmark 做到 266 个 languoid。两者合起来说明，全球化 Agent 已经不只是 UI 多语言，而要同时解决语音输入、语音输出、跨文化表述和质量评测问题。公开数据开始明显从“翻译语料”迈向“可部署的本地化能力栈”。