Artificial Analysis 发布具身智能基准 AA-Robotics v0.1
Artificial Analysis 推出 AA-Robotics v0.1，用八项具身操作任务评测前沿模型，每题满分 100 分，按完成度和部分进展计分。
推荐理由：Artificial Analysis 首次把具身任务做成可比基准，并给出各模型在八项操作任务上的得分分布。
#评测/基准
Artificial Analysis精选AI 评分6868 Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并开放早期访问
Google 发布地理空间推理智能体的技术报告，在四个基准上对比四种配置，并新开源 GeoKTools 和 GeoExpertQueries 两个基准的开发集。
推荐理由：技术报告给出四套基准与四种配置对比，量化了专用工具和前置规划对地理空间推理的提升。
Artificial Analysis精选AI 评分6969 Artificial Analysis 发布 Harvey LAB-AA v1.1，为法律智能体评测加入幻觉检查
Artificial Analysis 发布 Harvey LAB-AA v1.1，在法律智能体评测中加入幻觉检查，将幻觉分为与来源矛盾、编造来源内容、无记录支持的具体断言三类，并区分重大与轻微，仅重大幻觉触发 Hallucination-Gated All-Pass Rate 的零分。
推荐理由：Harvey LAB-AA v1.1 加入幻觉检查，并给出六个评审模型在同一子集上的对比数据，读者可据此了解法律智能体评测如何衡量幻觉。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 AI 代码审查开源基准 ReviewBench
GitHub 发布代码审查开源基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 PR。
推荐理由：GitHub 公开了代码审查基准的数据构成与评分方法，读者可据此理解智能体代码审查的离线评测口径。
Hugging Face Blog精选AI 评分6666 Microsoft ThinkingBox：按数据库终态给 AI 智能体打分
Microsoft 与 Hugging Face 联合发布 ThinkingBox，按智能体在隔离 MCP 会话中留下的数据库终态与副作用打分，而非看它生成的回答，已在 Hugging Face 开放框架与数据集。
推荐理由：论文给出 507 个有状态业务流程各跑 20 次的一致性数据，可据此判断智能体可靠性的真实水位。
已经到底了