OneCodeReviewBench 发布：用类型化决策评测代码审查能力

OneCodeReviewBench 是一个代码审查基准，包含 1,968 个合成案例，覆盖 12 种编程语言和 YAML，答案形式为布尔、分类和有序三种类型。基准在 OpenReview 上比较了 10 个模型-适配器系统，OpenAI Decisions 达到 81.3% 的布尔平衡准确率，Kev-27B 达到 76.8% 的分类准确率和 0.367 的评分平均绝对误差。基准还附带 586 个原始符号搜索案例和 40 个受限 Python 导入解析案例，解析器在其支持范围内匹配了全部 40 个参考答案。论文保留了 85 个与工程师答案一致的案例，供版本化工件复现分析。仓库级迁移和延迟/成本对比评测仍属未来工作。