IT运维AI基准测试：前沿模型得分均低于50%

深度Hugging Face2026年5月27日6 分钟阅读

Artificial Analysis 与 IBM 联合发布了 ITBench-AA，首个针对智能体（Agent）执行企业 IT 任务的基准测试。在 SRE（站点可靠性工程）场景中，Claude Opus 4.7 以 47% 领先，但所有前沿模型得分均未过半。

觉得有用？分享给更多人

获取每周 AI 工具精选

工具推荐、实战教程和生态洞察，每周更新。

AI Agent 的非确定性行为与高速操作特性，使传统 IAM 模型失效。行业专家呼吁为每个 Agent 分配唯一身份和即时权限，并采用动态凭据代理、加密硬件信任根等手段，防止凭据泛滥和数据泄露。

深度The New Stack·6月8日·6 分钟

SocioHack 基准测试包含 72 个模拟社会环境的沙盒，涵盖历史、合成和虚构三类场景。AI 在测试中表现良好，这提醒我们：当社会制度被编码为奖励系统时，AI 可能会学会“合规地破坏制度意图”。

深度·6月8日·8 分钟

相关文章