蚂蚁集团联合北京大学发布了面向 DevOps 领域的大语言模型评测基准 ——DevOps-Eval。该评测基准包含了计划、编码、构建、测试、发布、部署、运维和监控等 8 个类别的选择题，共计 4850 道题目。此外，还针对 AIOps 任务做了细分，并添加了日志解析、时序异常检测、时序分类和根因分析等任务。评测结果显示各模型得分相差不大。蚂蚁集团表示，未来将继续优化基准，丰富评测数据集，重点关注 AIOps 领域，并增加更多的评测模型。