AWS 分享基于 Amazon Bedrock AgentCore 的智能体九阶段评测框架
AWS SMGS 团队介绍其为生产多智能体系统搭建的九阶段评测框架，以 Amazon Bedrock AgentCore Evaluations 为核心，覆盖从定义指标到反馈闭环的完整生命周期。
#评测/基准
AWS Machine Learning Blog
Microsoft Research 微软研究院播客：AI 评测的“意外失败”能教给我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 讨论评测如何推动 AI 系统性能边界、满足用户需求，以及模型超出传统 benchmark 测试时出现的“意外失败”。她还分享使用当前 AI 系统的实用建议，并强调结果不符合预期时应仔细检查数据。
GitHub Blog · AI & ML精选 GitHub 发布 ReviewBench：面向 AI 代码审查的公开基准
GitHub 发布 ReviewBench 研究预览版，这是一个面向 AI 代码审查智能体的公开离线基准，包含 219 条来自 187 个开源仓库、覆盖 19 种语言的 pull request。
推荐理由：GitHub 用 1.039 亿条真实 PR 校准出 219 条评测集，并公开了评分规则与校验流程，可据此比较不同 AI 代码审查工具。