新开源基准 CloudOpsBench 揭示推理是 AI 云运维最大瓶颈

新开源基准 CloudOpsBench 1.0 包含 45 个 AWS 任务，用于评估 AI 智能体处理 DevOps 任务的能力。Claude Fable 5.1 解决率为 60%，GPT-6 Astra 为 53%，但无模型能完成所有任务。约 80% 的失败源于推理错误，如误判任务范围或过早停止，而非知识缺乏。