Benchmark Radar 第六十三天：安静的周日，和一次评分器修复
Published:
Benchmark Radar 的第六十三天。每日扫描发布 314 条记录，推荐 106 条，领头的是 Kalyvox Voice Benchmark 2026：它用 240 通受控通话给一个语音智能体打分。记分牌：257 颗星，41 个 fork。
Benchmark Radar 已上线。 每天追踪新的 AI 基准测试、数据集与排行榜：打开仪表盘 或 在 GitHub 上 Star。阅读论文：arXiv:2609.11115。查询数据：Hugging Face 数据集。
本轮抓取 1,006 条，保留 314 条，推荐 106 条。
Kalyvox Voice Benchmark 2026 用 240 通法语和英语的受控通话评估一个语音智能体，覆盖 12 个场景族。它报告交互层面的指标：响应延迟、意图准确率、任务完成、转接、预约和兜底处理，而不依赖转写质量。
更新后的全文提取流水线保留了原来冻结的评分器，另加一个对齐评分器，修正三处已确认的缺陷，其中包括比较以开尔文记录的温度时没有做换算。归档还保留了溯源片段，把每个提取出的数值连回原文。
agent-eval-platform 把每次客服智能体试验放进独立的 Kubernetes 任务，度量 pass^k 可靠性（重复尝试是否都能成功），并在 tau-bench 银行任务上注入故障来测试恢复能力。
为什么要在意
评分器修复说明了冻结指标的代价：三处缺陷一直留在数字里，直到旁边加了第二个评分器。
解决的问题
- 每日快照：抓取 1,006，发布 314，推荐 106
- 记分牌：257 / 1000 星，41 个 fork
第六十四天：工作日的扫描恢复。
想跟进 Benchmark Radar？在 GitHub 上 Star 仓库 获取每日更新，或 打开实时仪表盘 浏览扫描结果。阅读论文：arXiv:2609.11115。