跳到正文
只看一手#评测/基准
  1. GitHub Blog · AI & ML62

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

    GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。

    推荐理由：GitHub 公开了代码审查基准的构建方法与评分口径，读者可据此判断自家审查 Agent 的强弱项。

  1. Amp News62

    Amp 将 medium 模式默认模型换成 Claude Opus 5.5

    Amp 宣布 medium 模式默认模型由 GPT-5.6 Sol 换成 Claude Opus 5.5，使用 ChatGPT 订阅的 ChatGPT Only 预设时 medium 仍固定为 GPT-5.6 Sol。

    推荐理由：Amp 官方给出 Opus 5.5 在 medium 模式的任务解决率与成本对比，以及可迁移的提示与验证习惯。

  1. Mistral AI62

    Mistral 发布 Agentic Search 检索层，FinanceBench 正确率从 26.7% 升至 86%

    Mistral 发布 Agentic Search，一个让模型在多步检索循环中查找、检查并核实信息的检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries。

    推荐理由：原文给出多步检索循环的工具设计与两组基准数据，可据此判断它相对一次性 RAG 的取舍。

已经到底了