发生了什么
Artificial Analysis 和 IBM Research 发布 ITBench-AA(59 个 SRE 任务)
为什么值得关注
该基准把企业 IT 代理任务拆成可复现的 Kubernetes 故障根因识别流程，并给出前沿模型低于 50% 的统一对比结果，适合关注代理式评测和企业场景能力边界的人直接查看榜单与论文。
信息来源
以下内容来自公开来源，可打开原文继续核验。
Artificial Analysis 和 IBM Research 发布 ITBe
Artificial Analysis 与 IBM Research 联合推出 ITBench-AA，这是一个用于评估模型在企业 IT 代理式任务上的新基准系列，首个场景是 Site Reliability Engineering（SRE）。该基准包含 59 个 SRE 任务，其中 40 个为公开任务、19 个为全新保留任务，任务覆盖 Kubernetes 故障响应，要求模型通过日志、依赖关系追踪、告警、指标和拓扑信息识别根因实体。测试采用开源 Stirrup harness，在 59 个任务 × 3 次重复的平均分上，Claude Opus 4.7（Adaptive Reasoning, Max Effort）以 47% 领先，GPT-5.5（xhigh）为 46%，Qwen3.7 Max 为 42%，所有前沿模型均低于 50%；开源权重模型中 GLM-5.1（Reasoning）以 40% 领先。
打开原始来源 ↗Qwen3.7-Max 跻身 ITBench-AA 第3
Artificial Analysis 与 IBM Research 发布 ITBench-AA，这是一个用于评估模型在 agentic enterprise IT 任务上的新基准，首个场景是 Site Reliability Engineering（SRE）。该基准共包含 59 个 SRE 任务，其中 40 个公开任务、19 个全新留出任务；每个任务都提供 Kubernetes 故障快照，包含 alerts、events、traces、metrics、logs 和应用拓扑，要求模型在最多 100 轮、每任务 3 次重复的 open-source Stirrup harness 中定位根因实体。结果显示 Claude Opus 4.7（Adaptive Reasoning, Max Effort）以 47% 领先，GPT-5.5（xhigh）46%，Qwen3.7 Max 42%；所有前沿模型都低于 50%，open weights 中 GLM-5.1（Reasoning）以 40% 领先，DeepSeek V4 Pro（Reasoning, Max Effort）38%，Gemma 4 31B（Reasoning）37%。
打开原始来源 ↗