GitHub 发布了一个叫 ReviewBench 的开放基准，专门用来评估 AI 代码审查智能体。评测集不大——187 个开源仓库里的 219 个 PR，覆盖 19 种语言。

但它的取样方式值得注意：参考了 1.039 亿次 pull request 的分布。也就是说，这 219 个 PR 不是随手挑的，而是按真实世界的 PR 形态去对齐的。

打开网易新闻 查看精彩图片

为什么需要一把尺

打开网易新闻 查看精彩图片

AI 代码审查这件事，过去一年冒出了不少工具，但各家都说自己好用，却缺少一个公共的评测口径。ReviewBench 想补的就是这一环：把"AI 审代码到底行不行"变成一个可以横向比较的问题。

219 个 PR 的规模不算大，但配上 1.039 亿次 PR 的分布参照，评测集的说服力就不只来自数量了。