GitHub 推出 ReviewBench 开放基准，用于评测 AI 代码审查智能体，并提供公开数据集、统一评分方法和系统比较入口。基准包含来自 187 个开源许可仓库的 219 个 PR，覆盖 19 种语言，其分布参考了对 103.9M 个 GitHub PR 的分析；资深工程师独立复核标注，判断一致率为 96.6%。
推荐理由：ReviewBench 将真实 PR 分布、多来源标注和专家复核纳入同一评测流程，并用线上实验对照离线信号，为代码审查智能体比较提供可复现依据。
Microsoft 与 Hugging Face 发布 ThinkingBox 和 ThinkingBox-Bench，用数据库终态及副作用评估 AI 智能体是否真正完成业务工作流，并将每项任务独立运行 20 次衡量一致性。
推荐理由：ThinkingBox 将评估焦点从对话和工具调用转向数据库终态，并通过每项任务重复运行衡量一致性，为检验智能体是否可靠完成业务流程提供了可复用基准。
Microsoft Research 宣布 Physical AI Toolchain 新增机器人推理卸载能力，可通过 Kubernetes 工具在机器人、边缘 GPU 和云端之间分配推理工作负载。研究发现，部分较轻 GPU 上的地图构建与规划速度较 A100 慢最多 383%，较大的板载 GPU 还会显著消耗机器人电量；文章也提供了 SO-101 和 UR10e 的卸载示例。
推荐理由：文章结合移动操作任务测量了端侧与卸载推理的性能和续航差异，并介绍 Kubernetes 工具链如何在机器人、边缘 GPU 与云端间分配工作负载。
Microsoft Research 推出 MindTopo 基准，用于评估多模态大语言模型对连通、分离、顺序、包围和打结等拓扑关系的推理与规划能力。测试结果显示，模型在静态场景识别上的表现优于交互规划；规划错误常出现在模型已理解场景之后，包括未能追踪多步动作的后果或提出违反环境规则的动作。
推荐理由：MindTopo将静态识别与交互规划放在同一基准中比较，揭示多模态模型在连续动作中维持拓扑关系时的表现落差。