AWS 教程：在 Amazon Bedrock AgentCore 评测中使用决策模型
AWS 发布教程，演示如何通过代码型评估器将 Jev 和 Strands Decider 2B 两个决策模型接入 Amazon Bedrock AgentCore Evaluations。
推荐理由：文章给出了将决策模型接入 AgentCore 评测的完整代码示例，读者可据此构建可阈值化的智能体评估流程。
#评测/基准
AWS Machine Learning Blog精选AI 评分6262
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。
OpenAI News精选AI 评分8282 OpenAI 与学术社区合作构建科学理解
OpenAI 分享了模型在 Kakeya 猜想、指数时间假设和量子色动力学上的结果，并说明了研究者如何验证和基于这些结果继续工作。
推荐理由：OpenAI 展示了模型在数学与物理猜想上的具体结果，并说明了研究者如何验证和基于这些结果继续工作。
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。