OpenRSI Index 发布：用数千至上万 H100·小时的真实训练任务评测科研智能体
OpenRSI Index 近日在 X 上引发关注，它从 Marin、Qwen、GPIC 等真实开源研究项目出题，让智能体在预训练、后训练与图像生成任务上改进人类设计的训练方案，单次运行算力达 5,815 至 20,864 H100·小时。
#评测/基准
机器之心AI 评分4040
InfoQ · AI/MLAI 评分3434 Google 发布 Android Bench 2.0：新增长周期任务、Agent 评测与连续评分
Google 发布 Android Bench 2.0，新增长周期任务（LHT）、Agent 评测与连续评分，取代此前的二元通过/失败判定。LHT 指需工程师数天甚至一周完成的复杂任务，如升级依赖、从零构建应用、将跨平台应用迁移到 Android。
GitHub Blog · AI & ML精选AI 评分6262 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。
AI Coding DailyAI 评分2222 29 个 LLM 代码质量实测：排行榜生变
作者用 29 个 LLM 测试代码质量并更新了排行榜，新增 GLM-5.3-Flash（原 Ox Alpha）在 21 个编码提示词上的测试，以及 Qwen 3.8-Flash 在 20 个提示词上的测试。
JetBrains AI BlogAI 评分3636 JetBrains 实测 Ponytail Skill：Claude Code 代码量真能减 54% 吗？
JetBrains 用 80 组配对任务实测 Claude Code 的 ponytail skill，实测代码量减少 15%、成本降 10.3%、耗时降 11%，约为宣传值（-54% 代码、-22% tokens、-20% 成本、-27% 时间）的四分之一到一半，但这是该系列首个成本节省信号统计上可靠的插件。