今天的 AI 资讯简报继续按伯乐Skill / AI News Radar 的方法处理：优先查看官方博客、官方 RSS、公开变更记录与公开新闻页，再选取能公开核验、对开发者与 AI 产品观察有实际价值的更新。以下信息均来自公开来源，未使用私有邮件、账号时间线或不可核验传闻。
1. OpenAI GeneBench-Pro：科研智能体评测更重视“研究判断力”
OpenAI 介绍了 GeneBench-Pro，一个面向基因组学、定量生物学与转化医学的研究级基准。它强调的不是简单事实召回，而是计算生物学研究里的高阶判断：数据是否支持当前问题、噪声与生物信号如何区分、分析路径何时需要调整，以及结果是否足以支撑后续决策。
这类基准的意义在于，它把 AI Agent 的评测从“能不能执行步骤”推进到“能不能做可靠研究判断”。如果未来科学智能体要真正进入实验与分析流程，处理模糊性、诊断数据质量、避免走错分析路径，可能会比单次答题得分更重要。
来源：OpenAI — Introducing GeneBench-Pro
2. GitHub Copilot 指标更新：CLI、IDE 与 AI credits 统计更完整
GitHub Changelog 显示，Copilot usage metrics API 做了三项改进：Copilot CLI 现在会报告建议增删的代码行数；只通过服务端遥测出现的用户也会更完整地标识 IDE 与插件版本；AI credit 消耗归因也修复了部分遗漏。
这对企业团队很实际。随着 Copilot 覆盖 IDE、CLI 与服务端场景，管理者越来越需要准确回答“谁在用、在哪用、用了多少、效果如何”。指标口径越完整，后续做预算、治理、推广和效果复盘时就越少盲区。
来源：GitHub Changelog — Improved accuracy and coverage in Copilot usage metrics reports
3. GitHub Copilot 企业治理：管理员可默认启用自动模型选择
GitHub 还更新了 Copilot 的企业管理能力：企业管理员可以把新会话的模型默认设置为 auto，让 Copilot 自动模型选择成为默认值，同时用户仍可在单次会话中切换模型。这项能力面向 Copilot Business 与 Copilot Enterprise 的企业治理场景。
这说明开发者 AI 工具正在从“单个助手”走向“可治理的平台”。团队不仅要选择模型，还要管理默认策略、权限、成本、可解释性和体验一致性。自动模型选择如果做得好，可以降低普通用户的选择成本；但它也会让管理员策略和审计边界更重要。
来源：GitHub Changelog — Enterprises can default to auto model selection
4. Anthropic 与合作伙伴提出越狱严重性评分框架
Anthropic 新闻页显示，公司在 6 月 30 日提到与 Amazon、Microsoft、Google 等 Glasswing partners 一起提出行业范围的越狱严重性评分框架。它关注的不是某个单一模型发布，而是把“越狱到底有多严重”这件事变得更可比较、更可讨论。
这类框架值得关注，因为 AI 安全争议经常卡在定义不一致：同样是绕过防护，有些只是无害提示，有些则可能导致高风险能力外泄。行业如果能形成更清晰的严重性分级，后续红队测试、事故披露与模型上线门槛都会更容易对齐。
今日观察
今天的共同主线是：AI 正在进入更可度量、更可治理的工作流。GeneBench-Pro 关注研究判断力，GitHub 一边补齐 Copilot 指标口径、一边推进企业默认模型策略，Anthropic 则推动安全评测语言统一。接下来值得看的，可能不是单次演示多惊艳，而是这些能力能否被稳定、可审计、可控地放进日常工作里。
