CloudOpsBench 1.0 evalúa agentes de IA en 45 tareas de operaciones en AWS. Según los resultados reportados por el equipo, los modelos con mejor desempeño aún dejaron tareas sin resolver, y la principal dificultad estuvo en razonar sobre el alcance de cada encargo. *** CloudOpsBench 1.0 evaluó 45 tareas. Claude Fable 5.1 resolvió el 60% y GPT-6 Astra, el 53%. Ningún modelo completó todas.