研究：花哨的 harness 让编码智能体更贵但并未更强
一项研究让 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash 和 HY4-Preview 在 Claude Code、OpenCode、mini-SWE-agent 三种 harness 上跑 SWE-bench Verified，发现换 harness 带来的任务结果变化与同一配置重跑相当，通过率差异多在测量噪声范围内。
#评测/基准
The DecoderAI 评分6767
The Verge · AI精选AI 评分7878 微软称其 AI 诊断工具在诊断疾病上优于医生
微软称其 AI 诊断工具 Diagnostic Orchestrator 在诊断疾病上最高可比人类医生准确四倍，相关研究周四发表在 Science。该系统由多个 AI 智能体协作推理症状与病史、决定检查项目并给出诊断，基于 OpenAI 的 GPT-5。
推荐理由：微软在 Science 发表研究，用多智能体系统与医生在病例和急诊数据上对比诊断准确率，并计划开源基准 SDBench。
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。