Ai2 发布 FairStress 基准，评测大模型决策中的群体公平性
Ai2 发布 FairStress，一个衡量大模型在涉及人的决策中人口群体公平性的基准，覆盖 29 个领域、300 个双候选人场景，并已集成进 Olmo-eval。
推荐理由：FairStress 把公平性评测从最终选择扩展到对抗前缀下的决策稳定性，并给出跨模型与训练数据的实测差异。
#评测流水线
Hugging Face Blog精选推荐指数7171
Anthropic精选推荐指数8080 Anthropic 前沿红队发布评测，衡量 AI 模型的情报定位与常规武器开发能力
Anthropic 前沿红队发布新评测，衡量模型在战术情报定位（如依据碎片信息定位人员）与常规武器开发（如编写无人机打击移动目标的制导代码）上的能力。
推荐理由：Anthropic 红队公开了情报定位与常规武器开发两类能力评测，并给出各模型在模拟任务上的具体差距，可作为判断军事领域滥用风险的参照。
腾讯玄武实验室推荐指数5757 腾讯玄武 Atuin AI 换用 GLM-5.2 后在 CyberGym 上取得 84.8% pass@1
腾讯玄武实验室使用 GLM-5.2 重新评估其多智能体安全分析系统 Xuanwu Atuin AI，在 CyberGym 全部 1507 个任务上取得 84.8% 的 pass@1（1,278 个任务成功生成仅使修复前二进制崩溃的 PoC），较此前 GLM-5.1 驱动时的 84.0% 提升 0.8 个百分点。