Amazon Bedrock AgentCore Evaluations 智能体评估指南：内置、DeepEval 与 AutoEval 评估器
Amazon Bedrock AgentCore Evaluations 提供内置、DeepEval 和 AutoEval 三类评估器，用于在生产环境中衡量智能体行为。
#评测/基准
AWS Machine Learning BlogAI 评分4040 The DecoderAI 评分8282 Google 正式开放 Gemini 4 Carbon，并预览 Antigravity 的 /swarm 智能体群功能
Google 在两周测试期后正式开放 Gemini 4 Carbon，并称它与 Gemini 4 Argon 互补而非替代，Argon 仍更适合多数软件工程和知识工作任务。
The Decoder精选AI 评分8383 Anthropic Fable 5.2 在 Remote Labor Index 完成 41.3% 真实自由职业任务
Anthropic 新模型 Fable 5.2 在 Scale Labs 与 CAIS 的 Remote Labor Index 上以 41.3% 登顶，该基准衡量 AI 智能体完成真实自由职业任务、达到客户可接受质量的比例。
推荐理由：Remote Labor Index 用真实 Upwork 项目衡量智能体完成度，这篇给出了各模型的具体分数与失败类型。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 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 和带严重程度与类别标注的多来源黄金集。