爱丁堡大学与腾讯混元发表论文提出InfraDev基准，用36个真实AI基础设施任务测试编码Agent。最强模型GPT-6 Sol解决率仅38.9%；隐藏探针使32%通过官方测试的提交被判失败，说明现有测试不完整。推理任务难度最高，提示词缺失接口说明影响更大。将失败模式整理成规范文档后，GPT-5.6 Sol解决率提升10.5个百分点。