斯坦福研究：50 条被广泛引用的 LLM 结论中 44% 已失效
斯坦福研究者 Owen Queen 和 James Zou 用 8 家开发者 2024 年 7 月至 2026 年 9 月发布的 20 个模型，复测 50 条被广泛引用的 LLM 结论，发现 44% 已失效，另有 34% 明显减弱，仅 16% 仍成立、6% 反而增强。
#评测/基准
The DecoderAI 评分5858 雷峰网AI 评分5757 Google与Mercor发布PLE基准，量化工程Agent高正确率下的交付落差
Google与Mercor近日发布Physical-Engineering's Last Exam（PLE），用85项机械、电气、土木与结构工程任务评测工程Agent。
The DecoderAI 评分5858 开源基准 CloudOpsBench 显示推理是 AI 云运维的最大瓶颈
密歇根大学 Ang Chen 团队发布开源基准 CloudOpsBench 1.0，用 45 个 AWS 任务评测 AI 智能体处理典型 DevOps 操作的能力。
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，包含 219 个公开 PR、覆盖 19 种语言，分布参照 103.9M 个 GitHub PR 建模。基准采用多来源黄金集与统一评分规则，由资深工程师独立复核，真阳性判断一致率 96.6%。它提供 grounded 与 augmented 两族指标，可按严重程度和类别切片，并支持提交自有审查智能体上排行榜。