Представлен бенчмарк CloudOpsBench для оценки AI-агентов в задачах DevOps
Новый открытый бенчмарк CloudOpsBench оценивает способность AI-агентов выполнять DevOps-задачи в облаке AWS. Исследование показало, что основной проблемой моделей является нехватка навыков логического мышления.