用 Amazon Bedrock AgentCore 构建 AI 智能体可信度：一套生产级评估框架
AWS 的 Sales, Marketing, and Global Services (SMGS) Operations 团队基于 Amazon Bedrock AgentCore Evaluations 搭建了一套覆盖全生命周期的智能体评估框架，用于其服务 AWS Field Sales 的生产级多智能体系统。
#评测/基准
AWS Machine Learning BlogAI 评分3434
Microsoft ResearchAI 评分2222 Microsoft 研究员 Jennifer Neville 谈 AI 评测中的意外失败
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统性能边界，以及模型在传统 benchmark 之外测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细审视数据。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评分口径，读者可据此理解离线评测如何对应线上实验。