Incident-Arena：让智能体迈向极致可靠性

研究团队推出智能体生产故障响应评测基准 Incident-Arena，包含基于真实开源环境构建的 20 个 Kubernetes 故障任务。该基准引入功能验证器确保修复安全，测试中智能体平均消耗 2.81M tokens 并进行 41 轮交互。跨 20 个任务与 3 类应用基底评测中，前沿模型得分均低于 64.3%，普遍存在诊断错误、不完整修复和不安全回归。