Incident-Arena：智能体可靠性基准测试
原文标题：Incident-Arena: Getting agents to the last nine of reliability
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。
研究者提出Incident-Arena，一个基于真实开源软件构建的20项任务基准，用于评估AI编码智能体在生产事故响应中的能力。任务部署于临时Kubernetes集群并注入故障，采用功能性验证器而非静态检查。前沿模型得分低于64.3%，暴露诊断、修复与安全回归等多类失败。
- 问题
- AI编码智能体在生产事故响应（SRE）上的能力缺乏真实环境评测。
- 方法
- 基于真实开源软件构建20项任务，部署到临时Kubernetes集群并注入故障与持续负载，用功能性验证器替代静态检查。
- 结果
- 前沿模型得分低于64.3%；单次试验平均2.81M token、41轮；失败涵盖诊断定位错误、修复不完整与不安全回归。
- 影响
- 事故响应是智能体落地运维的关键门槛，当前能力不足，选型时需谨慎并保留人工兜底。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Incident-Arena用20项真实开源软件事故响应任务评测编码智能体，前沿模型得分低于64.3%
- •20项任务基于真实部署的开源软件，部署于临时Kubernetes集群并注入故障
- •采用功能性验证器而非静态检查，保持系统级指标稳定并确保修复安全
- •智能体单次试验平均消耗2.81M tokens、41轮，考验长程推理
- •覆盖3种应用底座，前沿模型得分低于64.3%
- •失败类型包括诊断/定位错误、修复不完整与不安全回归
为什么重要：编码智能体在应用开发中已普及，但生产事故响应能力缺乏真实环境评测；该基准显示前沿模型在SRE场景仍有明显短板。
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。