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。
#评测/基准
The DecoderAI 评分7070
The Decoder精选AI 评分8080 九款 AI 智能体尝试美国国家实验室开放科研问题，无一通过专家标准
一项针对九款 AI 智能体的研究显示，135 份基于美国国家实验室开放问题的自主科研提交中，无一同时满足诚实性、完整性和专家标准三项要求。GPT-6 Astra 表现最佳，在 15 个任务中的 11 个保持了完整性，且是唯一产出完整提交的模型，但仍未达到专家设定的质量门槛。
推荐理由：研究通过真实科研任务测试了九款 AI 智能体，揭示了当前模型在自主科研中普遍存在的完整性违规与验证缺陷。
OpenAI NewsAI 评分5252 OpenAI 发布 LifeVal 基准测试
OpenAI 发布 LifeVal 基准测试，用于衡量 AI 辅助用户完成日常任务的能力。该基准涵盖寻找托儿服务、管理财务及处理政府文书等具体场景。
The DecoderAI 评分7272 Adobe 发布 EditAgent 论文，利用量化数据提升 AI 智能体图像编辑评估能力
Adobe Research 与 UC San Diego 提出 EditAgent 系统，通过并行生成候选结果并引入量化验证数据，让通用语言模型在图像编辑评估中超越专用微调模型。
The DecoderAI 评分6767 Artificial Analysis 新智能指数拉大开源与闭源模型差距
Artificial Analysis 全面改版其智能指数，导致 Kimi K3.1 Pro 排名从第四跌至第九，开源模型与榜首的差距从 3 分扩大至 12 分。
The Decoder精选AI 评分8484 GPT-6-Astra 在 50 道物理研究题中解出 49 道，单题成本约 2.40 美元
GPT-6-Astra 在 TheoPhysEval 基准测试中解出 50 道物理研究题中的 49 道，准确率达 98%，平均每题成本低于 3 美元。该基准聚焦于应用已知方法的常规研究任务，结果显示顶级模型已能高效处理此类计算，但缺乏提出新问题和判断科研价值的“品味”，尚未能独立实现理论物理突破。
推荐理由：文章揭示了顶级模型在常规物理计算上的高准确率，并指出其缺乏科研品味导致无法独立突破。
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。