CloudOpsBench 基准显示推理是云端 AI 运维的最大瓶颈

CloudOpsBench 是一个开源基准，用于评估 AI 智能体处理云端 DevOps 任务的能力，1.0 版本包含 AWS 上的 45 项任务。Claude Fable 5.1 的完成率为 60%，GPT-6 Astra 为 53%；约 80% 的失败源于误判任务范围、未检查相关服务或过早停止，约 20% 的错误则是采取了错误操作。