GitHub 开源 ReviewBench：按 1 亿多个真实 PR 的口径，来量 AI 代码评审到底行不行

十月五日，GitHub 发布了 ReviewBench，一个开放的 AI 代码评审基准，研究预览版已可试用。它的设计思路是把评测贴近真实：题目按 GitHub 上超过 1 亿个真实 PR 的语言、仓库规模与体量分布来构造；答案用多来源的「金标准」，而不是依赖单一标注者；评测采用一致的评分细则，并由资深工程师独立验证过。GitHub 说，改用 ReviewBench 做离线评测后，Copilot 代码评审（CCR）的离线结果更能预示线上实验的方向。网站上可以浏览完整基准、比较不同评审 agent，也能带上自己的 agent 去评。