研究与基准测试/2026-10-23/16 分钟Incident-Arena：生产事故修复测到 64.3%，离最后一个九还远20 个人工编写的生产事故任务跑在一次性 Kubernetes 上，验证分结果门和安全门。3,000 次试验里最好配置的 Pass@1 是 64.3%，GPT-6-Astra 在超高推理档到 65%。1,948 次失败里，修复没留住占 26.5%，声明时服务仍越界占 23.9%。完整修复做齐的试验也只有 59% 通过。
