OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力
OpenAI 推出 LifeVal 基准，用于衡量 AI 帮助人们完成日常事务的能力，涵盖寻找托育、管理财务和处理政府文书等场景。
#评测/基准
OpenAI NewsAI 评分4242
Microsoft ResearchAI 评分4040 微软用合成企业数据评估 Microsoft Copilot 的 AI 置信度
微软构建 Industry Evaluation Data Generation Platform，用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot，避免使用客户敏感数据。
Hugging Face BlogAI 评分5858 Ai2 研究：LLM 能否可靠判断研究想法的新颖性
Ai2 发布研究《Old Ideas, Novel Problems》，测试 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 六个 LLM 判断研究想法新颖性的可靠性，并同步开源基准、数据和代码。
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扩大 Earth AI 早期访问
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及自研的 GeoExpertQueries、GeoKTools 四个基准上评估，并公开两个新基准的开发集。
推荐理由：技术报告用四个基准对比有无 Earth AI 工具与前置规划，并附 WHO 等伙伴的真实场景反馈。
Microsoft ResearchAI 评分5252 微软研究院提出 StudentSim：用学生模拟器评估和改进 AI 导师
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，用于在真实学习者测试前评估和改进 AI 导师。研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和引导响应性两个维度评估模拟器。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布代码审查离线基准 ReviewBench，基于 103.9M 个真实 PR 的分布构建，包含 19 种语言的 219 个公开 PR。
推荐理由：GitHub 公开了 ReviewBench 的构建方法、评分规则和 96.6% 人工一致性数据，可用来对比不同代码审查智能体的取舍。
Qwen Blog精选AI 评分7272 Qwen 联合淘天发布 E-Commerce Bench 电商长程经营评测
Qwen 团队联合淘天集团发布 E-Commerce Bench，评估模型作为电商商家在真实市场中经营网店的长程能力。模型拿到 10 万元本金，在 365 天、每天 600 分钟的时间预算内完成选品、谈判、定价、库存与现金流管理，环境由 6,886 个商品、60 个品类、576 个供应商和 12 种店型构成，数据脱敏自淘宝和天猫。
推荐理由：材料给出了长程经营评测的环境设计与18个模型的资产结果，可用来对照现有Agent评测偏短程的局限。