Google 发布地理空间推理智能体技术报告与两个新基准
Google Research 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及自研的 GeoExpertQueries、GeoKTools 四个基准上对比四种配置，并开源两个新基准的开发集。
推荐理由：Google 公开地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等伙伴的实测案例，可了解专用工具与前置规划对空间推理的作用。
#评测/基准
Google Research精选AI 评分6060
AWS Machine Learning BlogAI 评分3030 Orca Security 基于 Amazon Bedrock 打造自然语言安全查询 Discovery AI
Orca Security 与 AWS 合作在 Amazon Bedrock 上构建了自然语言查询智能体 Discovery AI，可将自然语言问题转换为 Sonar 查询。
Microsoft ResearchAI 评分4040 微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 导师
微软研究院推出 StudentSim，一个在真实学习者测试之前评估和改进 AI 导师的研究系统，它从公开的去标识化学习记录训练个性化学生模拟器，每个模拟器对应一名学生。
Microsoft ResearchAI 评分2222 Microsoft 研究员 Jennifer Neville 谈 AI 评测与「意外失败」的启示
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统性能边界，以及模型超出传统 benchmark 测试时出现的「意外失败」。她结合自身从数学、物理、认知科学到计算机科学的经历，分享与当前 AI 系统协作的实用建议，并强调当结果偏离预期时应仔细审视数据。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
Hugging Face Blog精选AI 评分7878 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再按终端后端状态和副作用打分，而非看模型生成的句子。
推荐理由：微软与 Hugging Face 联合发布的智能体评测环境，用后端状态而非模型自述来判定任务是否真正完成。
Hugging Face BlogAI 评分4040 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源与多语言 TTS 模型，单模型评测耗时从数周投票缩短到数小时。榜单以 Qwen3 ASR 计算 WER/CER，在 H200 GPU 上测 RTFx 与 TTFA，并用 WavLM 嵌入的余弦相似度（SIM）衡量声音克隆。
Mistral AI精选AI 评分6969 Mistral 发布 Agentic Search，用多步检索循环提升文档问答准确率
Mistral 发布 Agentic Search，一种面向企业复杂文档的多步检索层，通过 search、open、navigate、read、grep 五个工具让模型在索引之上迭代查找并核对证据，已集成进 Mistral Search Toolkit 以及 Studio 和 Vibe 的 Libraries。
推荐理由：原文给出多步检索循环的五个工具与两组基准数字，可据此判断它相对一次性 RAG 的取舍。