Tests作为评估和验证系统性能、能力或知识的关键手段，在人工智能领域正经历着前所未有的变革与创新。随着AI技术的快速发展，传统的测试方法面临挑战，新的测试理论和基准不断涌现。 Tests 近期进展 60个代码仓库构成了SWE-Prometheus新基准，用于评测工程治理能力，这一基准测试为软件工程领域提供了新的评估标准(SWE-Prometheus：用 60 个代码仓库评测工程治理能力的新基准)。 动态多模态对话式考试理论由Socratic Tests提出，这种新型测试方法突破了传统考试的静态模式，引入了多维度交互评估(Socratic Tests理论：动态多模态对话式考试)。 Jev路由实测对比GPT-6 Astra的结果显示，公开基准数字的参考价值有限，这引发了AI测试领域对现有评估方法的质疑(Jev 路由实测对比 GPT-6 Astra：公开基准数字参考价值有限)。 Cloudflare推出的Kitesurf智能体专用浏览器，完全运行在Cloudflare Workers的V8隔离环境中，为AI智能体的测试提供了新平台(Cloudflare推出Kitesurf：跑在Workers上的智能体专用浏览器)。 当前焦点与观察点 Tests领域正在从单一维度评估向多模态、动态交互方向发展，这种转变反映了AI系统复杂性的增加。同时，基准测试的可靠性和参考价值受到质疑，促使研究人员开发更全面的评估方法。GitHub Copilot CLI等工具的普及也使得自动化测试变得更加便捷，提高了测试效率。