AI2 推出 StateBench 基准，测语言模型在长文档中的状态追踪能力
AI2 发布 StateBench 基准，按四个难度级别评测语言模型在长文档中追踪实体状态变化的能力。
#评测/基准
Hugging Face BlogAI 评分5151
Hugging Face BlogAI 评分4747 Collinear AI 发布 CWE-bench v2：覆盖更广、质量与透明度更高
Collinear AI 推出 CWE-bench v2，公开 100 个网络安全任务，覆盖 91 种不同 CWE，评测完全程序化、结果可复现，任务均经人工审核。
Google ResearchAI 评分5555 Google Research 发布地球 AI 地理空间推理智能体技术报告并扩大早期访问
Google Research 发布 Geospatial Reasoning 智能体的技术报告，在 CBGB、UnivEARTH 及两个自研新基准 GeoExpertQueries、GeoKTools 上系统评估了四种配置（基于 Gemini 3.8 Flash 和 Gemini 3.1 Pro）。
GitHub Blog · AI & ML精选AI 评分6161 GitHub 发布开源 AI 代码评审基准 ReviewBench
GitHub 与 Microsoft 团队发布 AI 代码评审离线基准 ReviewBench，语料基于对 GitHub 上 1.039 亿个真实 pull request 的分布分析，收录来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request，数据集、评审 rubric、judge 提示词与自测 runner 全部公开。
推荐理由：基准数据集、评审规则和自测流程全部公开，做代码评审智能体的团队可以直接上手离线评估并对照排行榜迭代。