以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
In this work, we study whether frontier agent can continually improve real-world AI infrastructure over long horizons. We introduce Infrathon, a benchmark of diverse, long-horizon AI infrastructure optimization tasks across different levels. We evaluate six models across 150 runs with 24-hour budgets, totaling over 10,
阅读原文 · Zhengyu Hu, Zheyuan Xiao, Yike Wang, Hamish Ivison, Haoyu Wang, Yige Yuan, Rulin Shao, Yuetai Li, Niqi Lyu, Yicheng Ding, Shu Yang, Zhichen Zeng, Banghua Zhu, Jiaxin Pei, Kaize Ding, Pradeep Dasigi, Dan Roth, Hannaneh Hajishirzi, Noah A. Smith, Teng Xiao, Radha Poovendran
向阳乔木 · opencode-go/deepseek-v4.1-flash
如果你关心 Agent 能不能干“真活”,这篇值得看。 它没停在写代码、改 bug 这类短任务上,而是把 Agent 扔进 AI 基础设施优化:KV-cache 压缩、编解码器调优这类又脏又长、需要反复试错的工程问题,给 24 小时预算,让它自己跑。 结论有点反直觉: 评测时长本身会改变模型排名 。150 次运行里有 135 次在预算后半段还在继续变好。这意...