亚马逊

亚马逊一篇新论文审计了 9 个公开的规则遵循类基准（如 RuleArena、LegalBench），发现其参考答案与评分代码本身存在错误，导致模型正确答案被误判。以 LegalBench 税务评分为例，评分器删除小数点，把 259,487.13 美元读成 25,948,713，修复后 3 个模型的通过数从 8-9/96 升至 87-91/96。作者建议在看到低分时先读评分代码并人工抽查失败样本。

亚马逊已组建一支新团队，目标是开发一款“前所未有”的家用机器人，可适应不断变化的家庭环境并在人类身边自主活动。该团队吸纳了原 Astro 项目成员与一名 MIT 机器人专家，但产品形态与功能尚未披露。此前 Astro 仅受邀交付数千台，商用版不到一年即终止，显示亚马逊仍未放弃贝索斯设定的家用机器人长期方向。