GitHub推出ReviewBench：用219个真实PR评测AI代码审查代理

事件概述：GitHub于2026年10月5日发布ReviewBench研究预览版，这是一个面向AI代码审查代理的开放基准，试图用更接近真实开发的拉取请求和多来源标注，比较审查系统发现问题的覆盖率与噪声。

对象与发布方：ReviewBench由GitHub团队推出，作者为Michelle Zhou和Alejandro Carderera de Diego，面向代码审查代理开发者、工程团队、安全人员和开源维护者。

关键能力与改动：基准从1.039亿个GitHub拉取请求的语言、仓库规模和改动分布中抽样，形成219个来自187个开源仓库、覆盖19种语言的代表性集合。每个问题的参考集融合人工审查、作者后续提交推断、静态分析和多家族前沿大模型结果，再按统一标准去重和复核。ReviewBench同时提供grounded与augmented两组precision、recall、F1指标，可按严重度和正确性、安全性、可靠性、可维护性、测试等类别切片；上线前由未参与构建的资深工程师独立复标，官方报告的一致率为96.6%。

适用对象：希望比较自研审查代理、调参并观察回归的团队，以及需要按严重度或精确率/召回率偏好选择工具的工程组织。研究预览支持带自己的代理运行，先用25个PR测试，再对完整219个PR进行三轮评测并申请上榜。

实际影响：它把“AI审查找得多不多、误报多不多”拆成可复现的指标，帮助团队在上线实验前获得离线信号，也让不同代理在相同数据、评分器和版本下更容易横向比较。

限制与注意：ReviewBench不是生产效果的替代品；GitHub明确指出在线实验仍是用户影响的最终检验。参考集、评分器和公开PR存在覆盖边界，augmented指标会受每个系统发现的新问题影响。评测还使用Claude Sonnet 5作为统一LLM评分器，运行结果应结合人工复核、数据版本和组织自身风险标准解读。

官方来源：https://github.blog/ai-and-ml/github-copilot/reviewbench-an-open-benchmark-for-ai-code-review/