开源基准 CloudOpsBench 揭示推理是 AI 云运维最大瓶颈

密歇根大学团队发布开源基准 CloudOpsBench，用于评估 AI 智能体在 AWS 云环境中的 DevOps 任务处理能力。v1.0 版本包含 45 项任务，最佳模型 Claude Fable 5.1 解决率为 60%，GPT-6 Astra 为 53%。分析显示约 80% 的失败源于推理缺陷，如误判任务范围或未检查所有相关服务，仅 20% 为错误操作。