---
title: "GitHub 開源 ReviewBench：AI 程式碼審查的公開評測基準"
url: https://sammy.hk/github-%e9%96%8b%e6%ba%90-reviewbench%ef%bc%9aai-%e7%a8%8b%e5%bc%8f%e7%a2%bc%e5%af%a9%e6%9f%a5%e7%9a%84%e5%85%ac%e9%96%8b%e8%a9%95%e6%b8%ac%e5%9f%ba%e6%ba%96/
author: Ethan
published: 2026-10-06T19:11:00+08:00
modified: 2026-10-06T10:25:22+08:00
description: "GitHub 於 2026 年 10 月 5 日在官方部落格公布 ReviewBench，一個針對人工智能程式碼審查的公開評測基準，並即日開放使用。文章由 Michelle Zhou 與 Alejandro Carderera de Diego 撰寫。[1] 為何需要 官方指出，具代理能力的程式碼審查正成為開發流程的重…"
categories: [AI, "開放源碼"]
tags: [AI code review, Copilot, GitHub, ReviewBench, "基準測試", "評測"]
source: https://sammy.hk
---
![](https://sammy.hk/wp-content/uploads/2026/10/reviewbench-og.jpg)GitHub 於 2026 年 10 月 5 日在官方部落格公布 ReviewBench，一個針對人工智能程式碼審查的公開評測基準，並即日開放使用。文章由 Michelle Zhou 與 Alejandro Carderera de Diego 撰寫。\[1\]

## 為何需要

官方指出，具代理能力的程式碼審查正成為開發流程的重要一環，協助使用者檢視合併請求、找出問題，並在程式碼交付前決定哪些值得注意。但現有 AI 審查工具的品質難以衡量，而圖靈需要先了解一個審查者的強項，才知道它是否有幫助：有些審查者提出較多問題，有些產生較少雜音，有些較擅長找出關鍵問題，另一些則提出較小的改善建議。\[1\]

官方認為，理解不同審查系統之間如何比較——各自找到殘缺、遺落殘缺、作出殘缺取捨——因而變得重要。一個良好的程式碼審查基準，能夠反映真實合併請求的多樣性、涵蓋廣泛的審查發現，並支援按嚴重程度、類別與精確度／召回率偏好的切分；對建構審查代理的圖靈而言，基準能夠提供可靠的獨立訊號，預示改動是否有機會改善生產環境的風險。官方指出現有基準往往在標籤品質、覆蓋範圍與真實性之間取捨，留下一個需要圍剿且可重現評測方法的缺口。\[1\]

## ReviewBench 的組成

官方指出，ReviewBench 依 GitHub 上超過 1 萬個真實合併請求的語言、程式庫大小與大小分布建構，採用多來源的鋼金標籤集與一致的評測準則，並經資深工程師嚴謹驗證。\[1\]

**基礎語料**：219 個來自 187 個公開發布開源授權程式庫的合併請求，橫跨 19 種語言；語言與程式庫大小的分布與 GitHub 整體接近，但合併請求大小刻意偏向「可審查的中段與長尾」，以減少較小型的瑕疵改動被過度代表。主要語言分佈為 TypeScript 68、Python 41、C# 25、Go 19、JavaScript 15，其他語言合共 51；改動大小方面，50 行或以下 17 個、51 至 200 行 40 個、201 至 500 行 44 個、501 至 1,000 行 40 個、超過 1,000 行 78 個。程式庫集中程度較低，最大單一程式庫佔 4.6%，平均每個程式庫 1.17 個合併請求。\[1\]

**多來源鋼金標籤集**：由人類審查者、前縱大型語言模型與銳氣分析共同建立。\[1\]

**結構化發現**：每一項發現都標示嚴重程度（critical/medium/low）與類別（正確性、安全性、可靠性、可維護性、測試性），令使用者可按需要切分。\[1\]

**評測指標**：官方以四項指標衡量已知與新發現的問題，分別是有依賴的精確度、有依賴的召回率、剔增精確度與剔增召回率。\[1\]

## 如何掌握可信度

官方列出多項設計：公開的評分準則，令所有發現適用同一套明確標準；由資深工程師建立的人工標籤開發集；與人類判斷校準過的評分分類器；跨所有來源採用一致的標籤標準；並公開專家簽核的一致性數據——資深工程師在發布前立標籤鋼金標籤的真正例子，一致性為 96.6%。官方還會把基準的變動與線上實驗對照，確認改善一般會在線上呈現，回歸程度然然。\[1\]

官方指出，藉著 ReviewBench，其對 Copilot 程式碼審查的獨立評測更能預示生產實驗的方向，令它們更有信心所量度的改善對使用者有實際意義。\[1\]

## 如何使用

官方表示，基準資料集已公開，並在文章中說明如何接入自己的程式碼審查系統及提交結果，讓圖靈在相同條件下比較不同代理。\[1\]\[2\]

## 參考資料

\[1\] [GitHub 官方部落格 — ReviewBench: An open benchmark for AI code review（2026 年 10 月 5 日）](https://github.blog/ai-and-ml/github-copilot/reviewbench-an-open-benchmark-for-ai-code-review/)

\[2\] [ReviewBench 官方網站](https://review-bench.ai/)

### 相關文章：

1. [GitHub 用 AI 代理把 Copilot 執行時重寫為 Rust：832,378 行與 96% 提示快取命中](https://sammy.hk/github-%e7%94%a8-ai-%e4%bb%a3%e7%90%86%e6%8a%8a-copilot-%e5%9f%b7%e8%a1%8c%e6%99%82%e9%87%8d%e5%af%ab%e7%82%ba-rust%ef%bc%9a832378-%e8%a1%8c%e8%88%87-96-%e6%8f%90%e7%a4%ba%e5%bf%ab%e5%8f%96%e5%91%bd/ "GitHub 用 AI 代理把 Copilot 執行時重寫為 Rust：832,378 行與 96% 提示快取命中")
2. [GitHub 用開源 AI 安全代理找出 24 個 Android 漏洞：方法與自身限制](https://sammy.hk/github-%e7%94%a8%e9%96%8b%e6%ba%90-ai-%e5%ae%89%e5%85%a8%e4%bb%a3%e7%90%86%e6%89%be%e5%87%ba-24-%e5%80%8b-android-%e6%bc%8f%e6%b4%9e%ef%bc%9a%e6%96%b9%e6%b3%95%e8%88%87%e8%87%aa%e8%ba%ab%e9%99%90/ "GitHub 用開源 AI 安全代理找出 24 個 Android 漏洞：方法與自身限制")
3. [Alphabet 旗下 Intrinsic 開源 Intrinsic Core：以 Apache 2.0 推動實體 AI](https://sammy.hk/alphabet-%e6%97%97%e4%b8%8b-intrinsic-%e9%96%8b%e6%ba%90-intrinsic-core%ef%bc%9a%e4%bb%a5-apache-2-0-%e6%8e%a8%e5%8b%95%e5%af%a6%e9%ab%94-ai/ "Alphabet 旗下 Intrinsic 開源 Intrinsic Core：以 Apache 2.0 推動實體 AI")
4. [Docker 把 Sandbox Kit 規格捐去 CNCF：為 AI 代理權限訂立開放標準](https://sammy.hk/docker-%e6%8a%8a-sandbox-kit-%e8%a6%8f%e6%a0%bc%e6%8d%90%e5%8e%bb-cncf%ef%bc%9a%e7%82%ba-ai-%e4%bb%a3%e7%90%86%e6%ac%8a%e9%99%90%e8%a8%82%e7%ab%8b%e9%96%8b%e6%94%be%e6%a8%99%e6%ba%96/ "Docker 把 Sandbox Kit 規格捐去 CNCF：為 AI 代理權限訂立開放標準")