Ai2 发布 FairStress 基准，评测大模型决策中的隐藏公平性不对称
Ai2 发布 FairStress 基准，用 300 个双候选决策场景扩展为超 1300 万测试用例，测试模型在被挑战时是否因人口群体身份而改变决定。实验发现模型更易放弃有利于多数编码候选的正确选择，15 个模型的平均差距为 6.9 至 9.3 个百分点；对抗前缀下转向少数编码候选的切换比反向多 8.8 至 42.4 个百分点。
#评测/基准
Hugging Face BlogAI 评分5858
GitHub Blog · AI & MLAI 评分5050 GitHub 开源 ReviewBench：AI 代码审查基准
GitHub 推出开源离线基准 ReviewBench，用于评估 AI 代码审查智能体。基准基于 103.9M GitHub pull request 分析构建，语料涵盖 19 种语言的 219 个公开 pull request，采用人工审查者、frontier LLM 和静态分析构成的多源 golden set，并由资深工程师独立验证，达成 96.6% 一致性。