微软用合成企业数据评估 Copilot：从模拟租户到首个标准化评测基线
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，全程不使用客户数据。
#评测/基准
Microsoft ResearchAI 评分2828
AWS Machine Learning BlogAI 评分5858 Property Finder 如何修正 Amazon Bedrock 上的评测偏差并选出更优模型
Property Finder 发现其评测标签中 96.8% 直接来自现有视觉语言模型的预测而非人工核验，导致任何替代模型在比较中处于结构性劣势。
Hugging Face BlogAI 评分3434 Ai2 研究：LLM 能否可靠判断研究想法的新颖性？
Ai2 发布 Old Ideas, Novel Problems 研究，测试 GPT-5.1、GPT-5.2、GPT-5.4、Claude Sonnet 4.5、Claude Opus 4.5 和 Claude Opus 4.6 六个 LLM 判断研究想法新颖性的可靠性。
Hugging Face BlogAI 评分3131 Hugging Face 推出 FairStress：评估 LLM 决策公平性的新基准
Hugging Face 发布 FairStress 基准，用于衡量 LLM 在招聘、贷款、医疗等决策中的群体公平性，覆盖 Olmo、Llama、Qwen、Gemma、Claude 和 GPT 系列模型。
Microsoft ResearchAI 评分2828 Microsoft 研究播客：AI 评测的意外失败能教给我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 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测试时出现的"意外失败"。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布代码审查离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR 和带严重级别与类别标注的多来源黄金集。