阿里等团队发布 Co-Design Bench：编码智能体仅完整完成约四分之一任务
来自阿里巴巴和几所亚洲高校的研究者构建了编码智能体基准 Co-Design Bench，基于真实用户改动请求测试十个模型。表现最好的 GPT-6 Astra 平均满足约 70% 的任务要求，但仅 26.4% 的任务完全正确，Claude Opus 5 和 Qwen3.8-Max 紧随其后，Grok 4.6 垫底。
#评测/基准
The DecoderAI 评分5858 The DecoderAI 评分5858 新研究：AI 审计模型能发现多数智能体异常行为，但误报会淹没审核者
Anthropic Institute 研究员 Andy Hall 在 Substack 发文，复现并扩展了 METR 的研究，测试 GPT-5、GPT-5 nano、GPT-6 Astra、Opus 4.8 和 Gemini 3.8 Flash 能否在智能体日志中找出人类审核者标记的异常行为。
OpenAI NewsAI 评分4040 OpenAI 推出 BioBasicsBench：衡量 AI 智能体处理日常湿实验科学的能力
OpenAI 推出 BioBasicsBench，一个包含 100 项任务的基准，用于衡量 AI 智能体解读原始实验数据和处理日常湿实验科学的能力。该基准聚焦智能体在真实实验场景中的表现，而非仅考察知识问答。
Microsoft ResearchAI 评分4040 微软用合成企业数据评估 Microsoft Copilot 的 AI 置信度
微软构建 Industry Evaluation Data Generation Platform，用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布构建 219 个公开 PR 语料，覆盖 19 种语言。
推荐理由：GitHub 公开了基准的构建方法、评分规则和人工一致性数据，读者可据此判断 AI 代码审查评测的可信度。