OpenAI 发布首个专家共建的心理健康对话评估基准，聚焦安全性和帮助性响应能力

指出主流谬误检测基准存在设计缺陷：‘非谬误’类实为杂类，低误报率是数据构造伪影，非真实检测能力。

批评 1Password 发布的 AI 驱动漏洞修复性能评估方法存在偏差，缺乏可复现性和真实场景验证。