#评测/基准

从原型到生产：用 Agent DLC 工程化 AI 智能体

AWS 提出 Agent Development Lifecycle（Agent DLC），用一个生命周期、两个循环和统一的 gold standard 标准来评判智能体的每次变更。

未来医生MedGPT完成40例复杂肺癌病例评测，250名三甲医生参与

未来医生MedGPT与国内三甲医院胸外科团队联合开展肺癌实证研究，围绕40例复杂肺癌病例，在250名三甲医院医生参与的统一评估下，AI与医生无辅助方案的评分对比为88比12。

Google 推出 Gemini 4 Hydrogen，正式替换 3.8 Flash

Google 发布 Gemini 4 Hydrogen，并已在自家产品中替换 Gemini 3.8 Flash。该模型提供 low、medium、high 和新增的 xhigh 四档思考等级，Google 称 high 模式下速度是 Flash 3.8 的 2.5 倍，编造性表述减少 5 倍以上，Terminal-Bench 得分超过 3.8 Flash 三倍。

同一件事，精选收录的是《Google DeepMind 发布 Gemini 4 Hydrogen 模型》

Google 发布 Gemini Decision 1 决策模型，独立评测结果与官方基准存在分歧

Google 发布 Gemini Decision 1 决策模型与 Decisions API，支持闭集判定，单次请求最多 1000 个问题、256K 上下文，端到端返回 150–250ms，输入定价 $0.10/1M tokens 且输出不计费。

NaiveAI 宣称每秒 2100 tokens，实测其编码能力如何

Latent Space 对 NaiveAI 的开源权重模型 Naive-N0.5-Flash 做了实测，该模型宣称峰值约 2100 tokens/s、思考阶段接近 1000 tokens/s。

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 代码审查智能体的开放离线基准，现已开放研究预览版。该基准基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR，采用多来源黄金集和统一评分规则，由资深工程师独立复核，与基准判断的一致率为 96.6%。