一句话看懂：Hugging Face Papers 收录的 Infrathon 基准用 24 小时预算、150 次运行和超过 1 万 GPU 小时检验前沿智能体能否持续优化真实 AI 基础设施，结果显示短评测会漏掉后半程的优化收益，模型排名也会随评测时长变化。
事件核心：发生了什么
论文摘要显示，研究者提出 Infrathon，一个覆盖不同层级、面向真实 AI 基础设施优化的长时程任务基准。他们让六个模型在 24 小时预算下运行 150 次，总计消耗超过 10,000 GPU 小时。结果显示，135 次运行在预算后半段仍取得进一步改进；模型排名则随评测时长变化。摘要还提到，Claude Opus 5.5 将 KV 缓存平均压缩率从人类设计 Quant-VideoGen 编解码器的 6.82% 提升到 19.86%。上述结论均来自摘要，论文未核验全文实验，也未说明已同行评审。
为什么重要
当前不少智能体评测集中在短任务上，容易把“前期跑得快”误当成“最终做得好”。Infrathon 把评测时间拉长到 24 小时，暴露出两个问题：短评测可能低估优化空间，也可能给出不稳定的模型排名。对 AI 基础设施而言，KV 缓存压缩、推理效率这类工作往往需要反复试验和调参，长时程评测更接近真实工程场景。这意味着，未来比较前沿模型或智能体时，评测时长本身会成为影响结论的变量。
对用户/开发者/创作者的影响
对开发者和算力团队来说，这项研究提示：选型时不能只看短跑成绩，如果任务需要连续多轮改进，应关注模型在长预算下的持续优化能力。对使用 API 或自建推理服务的企业，KV 缓存压缩率这类指标直接影响显存占用和推理成本，但摘要中的 19.86% 只是特定任务下的结果，目前公开信息不足以判断能否迁移到其他模型或场景。对研究者而言，Infrathon 提供的长时程任务构建与评测思路，可用于检验智能体在真实基础设施优化中的表现。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文是否公开更多任务细节和复现条件，尤其是 150 次运行的具体配置；二是任务违规、测试不可靠和提前收工这三类障碍能否通过更好的智能体框架缓解；三是长时程评测会不会被更多模型发布方采纳，进而改变智能体榜单的比较方式。
