阿里等机构发布 Co-Design Bench 基准：AI 编码智能体在真实任务中仅约四分之一完全正确
阿里巴巴与多所亚洲大学的研究人员发布了 Co-Design Bench 基准，基于真实用户修改请求测试编码智能体。在测试的十个模型中，表现最佳的 GPT-6 Astra 平均满足约 70% 的任务要求，但完全正确的比例仅为 26.4%。研究发现，当任务涉及布局、设计、交互和内容等多种变更类型时，所有模型的性能均会下降，且运行环境（harness）对结果有显著影响。
#编码
The DecoderAI 评分7070
Microsoft ResearchAI 评分4040 Microsoft Research Focus 第 97 期：ForkPilot 框架降低 AI 智能体处理需求达 59%
Microsoft Research Focus 第 97 期发布，重点介绍 ForkPilot 自改进智能体框架。该框架在六个基准测试中表现媲美最佳现有方法，同时将 AI 处理需求降低最多 59%。本期还涵盖 CABRA 编码智能体评估、TeleTune 技能演化及 Copilot 使用模式分析。
OpenAI NewsAI 评分4242 OpenAI 如何提升 ChatGPT 在低资源编程语言中的编码能力
OpenAI 正在改进 ChatGPT 在低资源编程语言中的表现。为此，团队推出了针对软件工程、SQLite 及 COBOL 迁移的新评估基准。
GitHub Blog · AI & ML精选AI 评分7272 GitHub 发布 ReviewBench：面向 AI 代码审查的开源基准
GitHub 发布 ReviewBench，一个基于 103.9M 真实 Pull Request 分布构建的 AI 代码审查开源基准。该基准包含 219 个跨 19 种语言的公开 PR，采用多源黄金集和独立验证机制，提供 Grounded 和 Augmented 两套指标以评估已知和新发现的问题。
推荐理由：基于 103.9M 真实 PR 构建的开源基准，提供了可复用的离线评估方法，帮助团队在上线前预判代码审查智能体的表现。