ReviewBench 是 GitHub 與微軟團隊共同發佈的開放基準測試，用來評估 AI 程式碼審查代理的實際表現。不同 AI 審查工具在抓出問題的數量、誤判比例與關鍵缺陷偵測能力上差異很大，但業界一直缺乏公開、可重複驗證的比較方法，ReviewBench 希望填補這個空白。
測試資料涵蓋 219 個公開 Pull Request，橫跨 19 種程式語言與 187 個開源專案，分布比例比照整個 GitHub 的真實情況。團隊彙整人類審查者、作者後續提交、靜態分析工具與多個 LLM 的候選發現，去重後以 Claude Sonnet 5 擔任評判模型統一驗證，產生精確度、召回率等六項指標。
GitHub 已用 ReviewBench 來改善自家的 Copilot 程式碼審查功能，一次多模型整合實驗顯示，離線測出的精確度與召回率提升幅度，和正式上線後 A/B 測試的結果方向一致。這代表團隊能先用基準測試快速驗證改動，再決定要不要上線，也讓外部開發者有同一套標準可以比較不同 AI 審查工具。
對正在學程式的孩子或家長來說，這則新聞比較偏產業面：ReviewBench 本身是軟體公司用來評測 AI 審查工具的進階主題。不過背後的精神值得參考，不管是人或 AI 寫的程式，養成讓別人或工具審查程式碼、找出錯誤的習慣，是每個學程式的人都該培養的好習慣。
AI開源開發工具