OpenAI 推出 LifeVal 基准，衡量 AI 协助完成日常事务的能力
OpenAI 推出 LifeVal 基准，用来衡量 AI 帮助人们完成日常任务的效果。该基准覆盖的范围包括寻找托育服务、管理财务和处理政府文书等生活事务。
#评测/基准
OpenAI NewsAI 评分5252
Latent SpaceAI 评分4949 Elorian 发布视觉推理模型 Glimpse 与 DecoyCount 基准，前沿模型准确率不足 50%
Elorian 推出视觉推理模型 Glimpse，并联合 Mercor 发布 DecoyCount 基准，测试模型是真计数还是依赖视觉捷径。论文中前沿模型准确率均低于 50%，最高的 GPT-6 Astra 为 43.17%，Glimpse 内部测试得分 50.48%，是唯一超过 50% 的模型。
Microsoft ResearchAI 评分4949 微软 StudentSim：用个性化 AI 学生模拟器评估和改进 AI 辅导系统
微软研究院提出 StudentSim，从公开的去标识学习者记录训练个性化 AI 学生模拟器，用于在接触真实学生前评估和改进 AI 辅导系统。研究同时发布 StudentSimEval 基准，从"像不像该学生"和"能否随辅导提示更新作答"两个维度评估模拟器表现。在国际象棋、英语二语写作和数学三个场景中，StudentSim 优于领先基线，可为 AI 辅导训练提供反馈信号。
GitHub Blog · AI & ML精选AI 评分6565 GitHub 发布 AI 代码审查基准 ReviewBench
GitHub 发布开源代码审查基准 ReviewBench，基于 103.9M 条 pull request 的分布构建，包含 219 条来自 187 个公开仓库、覆盖 19 种语言的 pull request。
推荐理由：GitHub 公开了 ReviewBench 的语料构建、标注流程和评测口径，可用于比较不同代码审查智能体。