# ITBench-AA 发布：最前沿的模型在企业 IT 运维任务上得分不到 50%

> 原标题：ITBench-AA: Frontier Models Score Below 50% on the First Benchmark for Agentic Enterprise IT Tasks — by Artificial Analysis and IBM

- 来源：Hugging Face 博客
- 发布时间：2026-05-27T17:20:29.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/31551
- 原文：https://huggingface.co/blog/ibm-research/itbench-aa

## 摘要

Artificial Analysis 和 IBM 搞了个新基准 ITBench-AA，专门考模型能不能像真人一样处理企业 IT 的活，第一波先考站点可靠性工程（SRE）任务。结果最厉害的 Claude Opus 4.7 也只拿了 47%，GPT-5.5 是 46%，所有顶尖模型都没过半。

## 推荐理由

Artificial Analysis 与 IBM 推出 ITBench-AA，首轮考站点可靠性工程任务，Claude Opus 4.7 得 47%、GPT-5.5 得 46%，顶尖模型均未过半。

## 锐评

不到 50% 这个数放在 SRE 场景里挺合理。模型能写脚本、能读日志，真让它上生产改配置、回滚发布，错一次就是事故，47% 的准确率五次里错两次多，没人敢放手让它自己干。

我更关心它怎么评分，是真在模拟环境里跑，还是对着标准答案打分。样本量和评分机制都没给，47% 先当参考。
