BioMysteryBench 下载2408
不可检索任务验证人类判断稀缺

Anthropic/BioMysteryBench-full 于 2026-04-29 发布，当前 downloads 2,408、likes 30；同日发布的 Anthropic/BioMysteryBench-preview downloads 581、likes 14。该基准包含 90 个 bioinformatics 问题，要求基于匿名生物数据文件完成 alignment、expression、variant calling、motif discovery、structure 等真实分析，且“source dataset cannot be looked up”。

nvidia/PhysicalAI-Robotics-Locomanipulation-GRAIL 于 2026-04-28 发布，downloads 24,483、likes 13；nvidia/GR00T-N1.7-AppleToPlate 于 2026-05-21 发布，downloads 217；nvidia/Arena-G1-Static-PickNPlace-Task 于 2026-05-06 发布，downloads 14。三者均围绕 humanoid loco-manipulation、多模态轨迹、视频、动作与人-物交互；同期 NVIDIA Robotics Blog 于本周强调与 Hugging Face 推进 LeRobot 开源生态。

facebook/S-EMBER 于 2026-07-01 发布，downloads 17、likes 0，为 streaming egocentric memory retrieval 视频 QA 基准；facebook/r3d-bench 于 2026-07-02 发布，downloads 301、likes 2，包含 3,033 个问答标注、57 个 Aria Digital Twin 序列，面向自然第一视角 RGB-D 视频上的定量 3D 空间推理。

Qwen/AgentWorldBench 于 2026-06-22 发布，downloads 1,989、likes 70，基于 Tool Decathlon、Terminal-Bench、OSWorld-Verified 等真实前沿模型轨迹构建；allenai/asta-summary-citation-counts downloads 从 680 增至 1,438，增长 758、增幅 111.5%；allenai/asta-bench-submissions 从 78 增至 94。与此同时，Snorkel 本周连续发布 Agents’ Last Exam、continual learning、agentic evaluation 等多篇文章，Hacker News 上 Senior SWE-Bench 于 2026-07-02 获得 186 票、119 评论。

2026-07-03 的《Unbiased Alignment for Large Language Models with Noisy Preferences》直指真实偏好数据噪声问题；2026-07-06 的《Attention Limited Reward Learning》讨论人类比较反馈受注意力约束；2026-07-08 的《Online Data Selection Is Implicit Alignment》提出在线数据选择本身就在改变模型偏好；2026-07-07 的《CurateEvo: Data-Curation Evolving for Agentic Post-Training》强调基于失败驱动的数据筛选与 refinement；2026-07-08 的 diffusion RLHF 论文则强调反馈效率低。