跳到正文
只看论文#Microsoft
  1. GitHub Blog · AI & ML75

    GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准

    GitHub 发布 ReviewBench，用于系统评估 AI 代码审查智能体。该基准参考103.9M个GitHub pull requests，包含来自187个公共开源仓库、覆盖19种语言的219个pull requests，并提供多源 golden set、分级分类标注及 grounded 和 augmented 评测指标。

    推荐理由：ReviewBench公开了覆盖219个PR和19种语言的AI代码审查评测框架，并以多源标注、统一评分和96.6%专家一致性支持系统比较。

  1. Hugging Face Blog81

    Microsoft 与 Hugging Face 发布 ThinkingBox 智能体评测环境

    Microsoft 与 Hugging Face 发布 ThinkingBox 及 ThinkingBox-Bench，通过终端后端状态和副作用评测 AI 智能体，并在每项任务上重复运行 20 次。

    推荐理由：文章把智能体评测从工具调用和最终回复推进到后端状态与副作用，并用20次重复揭示一次成功与持续可靠性之间的差距。

已经到底了