Google 发布地理空间推理智能体技术报告与两个新基准
Google 发布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及新提出的 GeoExpertQueries、GeoKTools 四个基准上评估四种智能体配置，并公开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提升。
#评测/基准
Google Research精选AI 评分6666
Microsoft ResearchAI 评分2222 Microsoft 研究员 Jennifer Neville 谈 AI 评测的意外失败与真实世界表现
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规评测时出现的"意外失败"。她结合自身从数学、物理、认知科学转向计算机科学的经历，分享了使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细审视数据。
GitHub Blog · AI & ML精选AI 评分6060 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 PR 的分布构建，包含 219 个 PR、覆盖 19 种语言，采用多来源 golden set 与统一评分标准，并由资深工程师独立复核，一致率 96.6%。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线到线上的验证数据，可据此判断评测信号是否可信。
Hugging Face Blog精选AI 评分6666 微软 ThinkingBox 基准：按数据库终态而非模型自述评判 AI 智能体
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox 智能体评测基准，通过隔离的 MCP 工具会话运行任务，只根据智能体留下的后端终态和副作用打分，而非其生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出 20 次重复下的稳定性与成本数据。
Hugging Face BlogAI 评分3838 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多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Mistral AI精选AI 评分6969 Mistral 发布 Agentic Search，用多步检索循环提升复杂文档问答准确率
Mistral 发布 Agentic Search，一种让模型在检索结果中继续搜索、打开、导航、读取和 grep 的多步检索层，通过 Mistral Search Toolkit 提供，并内置在 Studio 和 Vibe 的 Libraries 中。
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据，读者可据此判断传统 RAG 在复杂文档上的边界。