Amazon Bedrock AgentCore 智能体评估实践：内置、DeepEval 与 AutoEval 评估器怎么选
AWS 官方博客介绍如何在 Amazon Bedrock AgentCore Evaluations 上做智能体评估，用内置评估器与 DeepEval、AutoEval 托管评估器组合执行。
#评测/基准
AWS Machine Learning BlogAI 评分5353 AWS Machine Learning BlogAI 评分5858 AWS 开源 UAEF：跨框架统一评测 AI 智能体的闭环系统
AWS 发布并开源 Universal Agent Evaluation Framework（UAEF），一个框架无关的 AI 智能体闭环评测系统，已在电信、医疗、金融等 12 家组织中被用于以统一指标评估智能体并在发布前比较版本。
AWS Machine Learning BlogAI 评分5858 AWS 介绍 Agent DLC：从原型到生产的智能体工程方法
AWS 发布教程介绍 Agent Development Lifecycle（Agent DLC），围绕一个显式 gold standard 组织 Define、Build、Evaluate、Release、Observe、Feed Back 六项活动，并包含内循环（打分、检查路径、改一处、重新评估）与外循环（让标准本身随生产反馈更新）。
Google DeepMind精选AI 评分8888 Google DeepMind 开源 Gemini 4 Carbon 模型正式开放使用
Google DeepMind 宣布 Gemini 4 Carbon 正式向开发者、企业、科学家和消费者开放，定位为最强模型，主打网络安全能力与长程智能体工作流，适用于复杂多步编码调试和开放式科学研究，消耗 token 多于 Gemini 4 Argon。
推荐理由：原文给出 Carbon 与 Argon 的分工、定价和多项基准名次，可据此判断它在复杂任务中的定位与迁移成本。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 Gemini Robotics 2.5 视觉-语言-动作模型
Google DeepMind 发布 Gemini Robotics 2.5，称其为迄今最强的视觉-语言-动作（VLA）模型，提升机器人可学技能的广度与学习速度。
推荐理由：原文给出任务广度、工厂实测成功率与安全评测三层数据，读者可据此判断该模型在真实工业场景的可用程度。
NVIDIA Blog精选AI 评分7474 NVIDIA 在 CoRL 发布 GR00T 2 世界动作模型与 Isaac Lab 3.0
NVIDIA 在 CoRL 大会推出开放世界动作模型 GR00T 2，基于 NVIDIA Cosmos 构建，使用含 100,000 小时开源第一人称人类数据训练，无需任务特定演示即可完成 50 项评估任务中的 40 项，每任务 1 个演示时 50 项任务平均成功率 71%，5 个演示时升至 95%。
推荐理由：原文列出了新模型的量化指标和开放评测框架，读者可据此判断其仿真训练到真机部署的迁移路径。
Microsoft ResearchAI 评分5656 Microsoft Copilot 企业评测体系：合成环境与自动查询管线详解
Microsoft Research 介绍其 Industry Evaluation Data Generation Platform，用基于 O*NET 职业数据、在线招聘启事和 SEC 文件等公开数据构建的全合成企业环境（tenant）评测 Microsoft Copilot，全程不使用真实客户数据。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 4 Carbon 前沿模型
Google DeepMind 宣布推出下一个前沿模型 Gemini 4 Carbon，称其为迄今最强模型，具备 SOTA 网络安全与长时程能力，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
推荐理由：原文给出了网络安全与长时任务的具体基准分数和分阶段开放路径，读者可据此判断其面向的首批用户与能力边界。
GitHub Blog · AI & MLAI 评分5858 GitHub 开源 AI 代码评审基准 ReviewBench
GitHub 发布开源 AI 代码评审离线基准 ReviewBench，语料取自对 103.9M GitHub pull requests 的分布分析，包含 19 种语言、187 个开源仓库的 219 个 pull request。