Microsoft Research 播客：Jennifer Neville 谈 AI 的意外失败与评估方法
Microsoft Research 播客中，Jennifer Neville 与 Chad Atalla 对谈 AI 系统评估与失败模式。她指出模型在多轮对话中的表现较单轮基准显著下降，长工作流中未及时捕捉的错误会累积并进一步干扰 AI；团队正研究强化学习方法改进，同时建议用户遇到问题时可重新完整指定单轮指令，并通过文本反馈精确描述失败以帮助改进模型。
#评测/基准
Microsoft ResearchAI 评分5353
GitHub Blog · AI & MLAI 评分5555 GitHub 发布开源基准 ReviewBench 用于评估 AI 代码审查
GitHub 发布离线基准 ReviewBench，用于评测 AI 代码审查 Agent。基准基于 103.9M 真实 pull request 的分布建模，包含 219 个跨 19 种语言的公开 PR，采用人审、静态分析和多个 frontier LLM 构建的多源 golden set，以 Claude Sonnet 5 作为评分模型，资深工程师独立复检一致率达 96.6%。