InfraDev：评测编程智能体开发 AI 基础设施的能力
原文标题：InfraDev: Can Coding Agents Develop AI Infrastructure, and How Can We Tell?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 InfraDev 基准，包含 36 个源自 Megatron-LM、vLLM 与 verl 真实 PR 的任务，覆盖训练、推理与强化学习基础设施开发，需跨多文件、多 GPU 正确运行。六个前沿模型最高仅解决 38.9% 的任务，隐藏探针拒绝了 32% 通过官方测试的提交，用原始 PR 描述作提示时无模型能完成任一任务。
- 问题
- 现有基准只覆盖单内核或单 GPU 任务，无法评测编程智能体开发 AI 基础设施的能力。
- 方法
- 用 Megatron-LM、vLLM、verl 的真实 PR 构建 36 个跨文件、多 GPU 任务，并联合合成隐藏探针与接口提示来评分。
- 结果
- 六个前沿模型最高仅解决 38.9%；隐藏探针拒绝 32% 通过官方测试的提交；共享执行环境使存储降低 52-57%、构建时间降低 13-14%。
- 影响
- 给做编码智能体与训练/推理框架的团队一个更贴近生产的基础设施评测标尺，暴露现有测试的漏判。
深读 · 结论先行AI 生成展开看要点与影响 ↓
新基准 InfraDev 用 36 个真实 PR 任务考编程智能体，最强模型仅解决 38.9%
- •36 个任务源自 Megatron-LM、vLLM、verl 的真实 PR，覆盖训练、推理与强化学习基础设施
- •任务需跨多文件修改并在多 GPU 上正确运行，超出以往单内核、单 GPU 基准
- •隐藏探针拒绝了 32% 通过全部官方测试的提交
- •用原始 PR 描述作提示时，没有任何模型能完成任一任务
- •共享执行环境复用依赖与产物，存储降 52-57%、构建时间降 13-14%
为什么重要：现有基准高估了编程智能体开发 AI 基础设施的能力；对用智能体做训练/推理框架开发的团队，这是更贴近真实难度的评估口径。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。