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 推出 Quine，这是一个结合生物多模态世界模型与交互式研究环境的实验性 AI 研究系统，可连接科学工具、文献、湿实验室和研究人员。
推荐理由：Quine 将生物多模态世界模型与实验工具及文献连接，并以胰腺癌细胞状态实验展示其筛选候选化合物的研究流程。
GitHub Copilot app 的 canvases 允许用户与智能体共享可自定义界面，并围绕各自工作流调整内容。用户可在智能体会话中输入 `/create-canvas` 技能并描述需求，无需手动编写代码或设计界面，智能体便会创建画布。画布可保存为团队共享或个人扩展，用户和智能体也能同时修改共享状态。
推荐理由：文章通过创建发布说明看板的示例，展示从自然语言描述到可复用画布的过程，并说明用户与智能体如何同步修改共享界面。
GitHub Blog 作者 Burke Holland 主张，聊天并非与 AI 交互的最佳界面，并介绍了 GitHub Copilot app 中名为 canvas 的可定制界面。
推荐理由：文章通过 Connect 4、Winget、SQLite 和开发流程自动化等实例，说明自定义界面如何让 Copilot 智能体参与任务并减少反复聊天交互。
GitHub Security Lab 开源了面向 C/C++ 项目的 Fuzzing Taskflow，由 LLM 智能体自动识别代码入口、编写 harness、运行 AFL++、根据覆盖率改进测试，并对崩溃进行分诊和生成漏洞报告。
推荐理由：文章拆解了覆盖率反馈、结构化输入生成与崩溃分诊的自动化流程，也说明模型报告仍需人工审查，可供安全测试工作流设计参考。
GitHub 重建了 GitHub Copilot app 的 Pull Request 视图，使包含 2,200 个文件、超过 100 万行变更和 400 多条行内评论的 PR 仍能流畅浏览。文章详述了代码行与动态评论分开管理高度、滚动时延后测量并保持阅读锚点，以及通过缓存和自动化测量循环定位性能问题的做法。
推荐理由：文章拆解了超大型 PR 视图的关键设计取舍，尤其说明动态评论如何影响虚拟化，以及团队如何通过锚定校正和自动化测量避免滚动卡顿。
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 发布 RetroChimera 逆合成研究，该模型结合 R-SMILES 2 与 NeuralLoc，并通过学习式集成重排两者提出的反应物预测。在多步合成路线评估中，RetroChimera 在十个具有挑战性的目标中成功完成九个，高于文中对比模型；其实现和权重已开源，也可通过 Microsoft Foundry 使用。
推荐理由：RetroChimera将两种互补的逆合成模型进行学习式重排，并以盲测和多步路线评估展示其表现，呈现了集成方法应对稀有反应的思路。
GitHub 将 Copilot 智能体运行时从 TypeScript 迁移为 Rust，项目主要由 AI 智能体编写代码，并通过 128 个 pull request 分批合入和发布。运行时最终包含 832,378 行生产 Rust 代码，迁移期间发布了 135 个版本；作者还介绍了原地替换策略、测试验证以及多智能体协作中的协调经验。
推荐理由：文章以运行时迁移为例，结合渐进式替换、测试和发布数据，呈现了用智能体协作完成大型代码迁移的具体做法。
Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 两款开放权重病理研究模型，面向全切片表征学习和肿瘤微环境空间蛋白质组预测。
推荐理由：这组模型将病理基础模型的计算成本与队列规模联系起来，文中给出的性能和资源对比可帮助研究者评估大规模分析的可行性。
Microsoft Research 发布 Skala 1.1，并宣布其已接入 CP2K，正集成至 Psi4、FHI-aims、ORCA 和 VASP。Skala 1.1 的训练数据量是首个公开版本的 2.5 倍，在 GMTKN55 的 55 个类别中有 32 个排名第一，平均加权误差为 2.8 kcal/mol；团队还发布了跟踪不同版本和软硬件平台计算性能的持续更新报告。
推荐理由：Skala 1.1 的精度提升与多软件集成同步推进，文中还介绍了持续更新的性能报告，呈现其走向计算化学工作流的路径。
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。