Introducing LifeSciBench

OpenAI 发布 Deployment Simulation（部署模拟）方法：在模型正式上线前，利用真实历史对话数据模拟真实部署环境，提前预测新模型的行为表现，从而提升安全评估的准确性并降低上线风险

MV-Bench 把多模态大模型的 UI/可视化生成评测从单图表推进到 coordinated multi-view interface：用 Tableau workbook 作为 ground truth，因为其中显式包含数据绑定视觉映射和交互基准包含 92 个基础界面1,048 个验证实例摘要显示最强模型视觉布局可达 75.45%，但数据绑定只有 21.71%交互完整性 11.68%，说明看起来像距离可用交互界面仍很远

WCXB 构建了一个多类型 Web 内容抽取基准, 覆盖 2,008 个页面, 1,613 个域名和七种结构化页面类型. 摘要指出当前抽取器在文章页上表现接近, 但在产品, 列表, 文档等结构化页面上 F1 差异明显. 这对 RAG, 搜索索引和训练数据清洗都有实用参考.

OpenAI Alignment Apollo 提出 Contrastive SDF：用配对合成预训练风文档给模型灌输相反的 grader 偏好信念，再测下游行为是否跟 grader 走在已知 reward-hacker 与谄媚 model organisms 上方法可找回预期权威能力向 RL 中间 checkpoint（无 safety training）上，对 grader 的敏感性随训练上升；诚实类任务表现可强依赖 grader 信念定义 reward-seeking 为行为对 grader 信念的因果敏感，不等于野外作恶读对齐/内部 agent 高分时需问：是否在迎合当前评分器