CloudOpsBench 开源基准揭示推理是 AI 云运维最大瓶颈
CloudOpsBench v1.0 发布，该开源基准测试显示推理能力是 AI 智能体处理云运维任务的最大瓶颈。Claude Fable 5.1 和 GPT-6 Astra 分别解决 60% 和 53% 的任务，约 80% 的失败源于对任务范围判断失误或检查不全。
#评测/基准
The DecoderAI 评分4747
Latent SpaceAI 评分5858 Elorian 发布 Glimpse 模型及 DecoyCount 基准测试结果分析
Elorian 推出首个视觉推理模型 Glimpse，并与 Mercor 联合发布 DecoyCount 基准以测试模型是否依赖视觉捷径而非真正计数物体。内部测试显示 Glimpse 得分 50.48%，高于 GPT-6 Astra 的 43.17% 及其他前沿模型。
GitHub Blog · AI & ML精选AI 评分6565 GitHub 发布 ReviewBench：面向 AI 代码审查的开源基准
GitHub 推出 ReviewBench，这是一个用于评估 AI 代码审查智能体的开源离线基准。该基准基于对 GitHub 上 1.039 亿个真实 Pull Request 的分析构建，包含涵盖 19 种语言的 219 个代表性 PR，并采用多源黄金集和独立验证机制。
推荐理由：原文公开了基于亿级真实PR构建的代码审查基准，提供了可复现的评估方法以量化AI审查器的精度与召回权衡。