Incident-Arena：让 AI 智能体达到可靠性的最后九分

Incident-Arena 是面向 agentic SRE 的人工构建基准，含 20 个基于真实部署开源软件的任务，每个任务把生产应用部署到临时 Kubernetes 集群并从配置层注入故障。前沿模型在 20 个任务、3 种应用基底上得分均低于 64.3%，失败涵盖诊断与定位错误、修复不完整和不安全回归。智能体单次试验平均消耗 2.81M tokens、41 轮，用于检验长程推理能力。