Kod inceleme sonuçlarını değerlendirirken duyarlılık ile kesinlik arasındaki ağırlığın değiştirilmesine olanak tanıyan bir ölçüt.
GitHub, 187 depodan 219 çekme isteği ve 19 programlama diline dayanan, kod inceleme ajanlarını değerlendirmeye yönelik açık ReviewBench karşılaştırma standardını başlattı. Standart, bilinen ve yeni sorunların keşfini birbirinden ayıran ölçütler kullanıyor. Şirket, çevrimdışı sonuçların Copilot Code Review üzerindeki üretim deneylerinin eğilimini yansıttığını, ancak gerçek kullanıcı testlerinin nihai değerlendirme ölçütü olmaya devam ettiğini söylüyor.