GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，研究预览版已上线网站。基准包含来自 187 个开源仓库、19 种语言的 219 个 pull request，其语言和仓库规模分布对齐 GitHub 上 103.9M 个真实 pull request，并采用多来源 golden set 与统一评分标准。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解 AI 代码审查能力如何被量化比较。
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，再依据终端后端状态和副作用而非生成的语句来评分，覆盖 507 个有状态业务流程、每个任务重复 20 次。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非工具调用判断成败，并给出 20 次重复的一致性数据。
Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成连贯的多镜头长视频，并原生继承 SynthID 水印等安全机制。
推荐理由：Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性的评测基准与量化结果。