StateBench：测试语言模型如何在长文档中追踪状态变化
Allen AI 在 Hugging Face 发布 StateBench 基准，用于评估语言模型在长文档中追踪实体状态变化的能力，按 R-trivial、Aperiodic、Soluble、General finite 四级难度组织。
#评测/基准
Hugging Face BlogAI 评分5252
Hugging Face BlogAI 评分5858 Collinear AI 发布 CWE-bench v2：100 道安全漏洞修复任务开放公开评测
Collinear AI 发布 CWE-bench v2，公开 100 道任务供任何人运行和评测模型，覆盖 91 种 CWE，评分完全程序化、结果可复现。
Microsoft ResearchAI 评分4141 微软用合成企业数据评估 Microsoft Copilot 的 AI 置信度
微软构建 Industry Evaluation Data Generation Platform，用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot，避免使用任何客户数据。
Google Research精选AI 评分6262 Google 扩展 Earth AI 地理空间推理智能体早期访问
Google 扩展 Earth AI 地理空间推理智能体的早期访问，在 Ask Google Earth 中开放深度分析预览，并向开发者提供实验性 Agent-to-Agent API 和 Planetary Prediction Engine 预览。
推荐理由：原文给出四组基准对比与合作伙伴实测，可据此判断专用地理工具与前置规划对空间推理的实际增益。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码评审基准 ReviewBench
GitHub 发布开源代码评审基准 ReviewBench，基于 1.039 亿条 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR 和人工校验的多来源 golden set。