GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布代码审查离线基准 ReviewBench，基于 1.039 亿个 PR 的分布特征构建，包含 187 个开源仓库、19 种语言的 219 个 PR，每个发现标注严重程度与类别。
推荐理由：GitHub 发布 AI 代码审查离线基准，含 219 个 PR 与多来源标注，可自带 agent 跑分并对比排行榜。
评测与基准
全部主题模型到底谁强：Benchmark 成绩、评测方法论争议、榜单变化与真实场景选型对比的记录。
最新精选
第 1–6 条 · 共 6 条GitHub Blog · AI & ML精选AI 评分7171
Hugging Face Blog（hf-mirror 镜像）精选AI 评分7878 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再按终端后端状态和副作用判定成败，而非看模型生成的回复。
推荐理由：微软与 Hugging Face 联合发布 ThinkingBox，用数据库终态而非模型自述来评判智能体，并给出 507 个任务重复 20 次的稳定性与成本数据。
arXiv · cs.AI精选AI 评分6060 研究：Agent 任务中模型与 harness 的匹配关系
一篇 arXiv 论文评估了 66 组配置，用 OpenHands、DeepSeek Harness、PI、openJiuwen 四种 harness 搭配五个模型，在 TUA-Bench、ALE-CLI 和 Terminal-Bench 4 上测试，并加入 Codex-GPT 与 Claude Code-Claude 原生组合。
推荐理由：66 组模型与 harness 组合的实测显示模型排名会随 harness 反转，为选型提供了可复现的对照数据。
Google DeepMind精选AI 评分6060 Google DeepMind 试点全球首个双盲 AI 评测
Google DeepMind 宣布推出全球首个针对专有前沿 AI 模型的双盲评测，将外部评测限制在密码学隔离环境中，避免模型提前接触测试题。该试点与新加坡 AI 安全研究所、OpenMined、AVERI 和 MLCommons 合作，在隐私保护环境下用保密基准测试 Gemini Flash Lite。
推荐理由：Google DeepMind 与新加坡 AI 安全研究所等机构合作，用密码学隔离环境对 Gemini Flash Lite 做双盲评测，回应基准污染问题。
Hugging Face Blog（hf-mirror 镜像）精选AI 评分6262 Hugging Face 研究量化语音识别中的基准优化现象
Hugging Face 发布研究，用共识分歧、掩蔽实体检索和拼写切换三项探针量化 ASR 模型的基准优化行为，测试 11 个开源 ASR 模型后发现多个高分模型会复现 VoxPopuli 和 LibriSpeech 参考转写中的错误，即使音频与之矛盾或相关词已被静音。
推荐理由：用三项探针量化 ASR 模型的基准优化行为，并给出可复用的检测脚本与榜单标签页。
Hugging Face Blog（hf-mirror 镜像）精选AI 评分6060 Hume 发布 Real World VoiceEQ 语音 AI 人类质量基准
Hume 发布 Real World VoiceEQ，一个评估语音交互人类质量的基准，覆盖 40 多个专有和开源语音模型、15 个以上评估维度和 60 多项指标，涵盖 ASR、TTS、S2S 和语音理解。
推荐理由：Hume 发布语音 AI 人类质量基准，覆盖 40 多个模型和 15 个维度，指出传统基准高估真实表现。