ReviewBench：面向 AI 代码审查的开源基准
GitHub 推出 ReviewBench，一个用于评估 AI 代码审查智能体的离线基准，可衡量审查系统在不同 pull request 下的发现能力与取舍。该基准基于对 103.9M GitHub pull request 的分布建模，包含 19 种语言、187 个公开开源仓库的 219 个 pull request，并采用多来源 golden set 与统一评分标准。
#评测/基准
GitHub Blog · AI & MLAI 评分5050
Hugging Face Blog精选AI 评分8080 微软与 Hugging Face 联合发布 ThinkingBox 智能体基准
微软与 Hugging Face 联合发布 ThinkingBox 智能体基准，通过隔离的 MCP 工具会话运行智能体，对后端终态和副作用打分而非只看生成文本，并在 507 个有状态业务流程上每个任务重复运行 20 次。
推荐理由：微软联合 Hugging Face 发布 ThinkingBox 智能体基准，按后端终态而非生成文本打分并重复 20 次，给出可靠性与成本对比。
Import AIAI 评分4545 Import AI 469：科学 AI、RSI 模拟器与扎克伯格的科技悲观主义
DiG-bench（Discovery in Games）通过 70 个隐藏规则的游戏，衡量 AI 系统通过自主探索发现环境隐含规则的能力。测试中 Opus 5 和 Fable 5 配合 Claude Code 整体表现最佳，仅二者能在最高 Tier 7 完成部分任务，前沿模型仍远逊于人类。