从合成企业数据评估到真实的 Microsoft Copilot 信任度
微软构建了行业评估数据生成平台（Industry Evaluation Data Generation Platform），利用全规模合成企业环境评测 Microsoft Copilot，在不接触客户敏感数据的前提下模拟复杂业务流程。
#评测/基准
Microsoft ResearchAI 评分4444 Latent SpaceAI 评分5050 前沿模型能否识破诱饵？Elorian 测试视觉推理
Elorian 联合 Mercor 发布视觉推理基准 DecoyCount，测试显示前沿模型准确率均低于 50%，其中最高的 GPT-6 Astra 为 43.17%。
GitHub Blog · AI & ML精选AI 评分6464 GitHub 推出 AI 代码审查基准 ReviewBench
GitHub 推出面向 AI 代码审查智能体的开源离线基准 ReviewBench，旨在提供贴近真实生产环境的评估标准。该基准参考 1.039 亿真实拉取请求的分布特征，精选覆盖 19 种编程语言的 219 个拉取请求，结合人类专家、静态分析和前沿大模型构建多来源金标准，并使用 Claude Sonnet 5 统一评判。
推荐理由：该基准基于真实拉取请求分布建立评测集，为开发团队评估和迭代代码审查智能体提供了贴近生产环境的离线验证方案。