11 月 9 日提交的 arXiv 2611.11995 提出 Infrathon，21 位作者来自艾伦人工智能研究所、斯坦福、华盛顿大学等，含 Hamish Ivison、Noah A. Smith 与 Radha Poovendran。基准看的是智能体能不能在真实 AI 基础设施优化任务上连续变好，而不是单题对错。作者用 6 个模型跑 150 次运行，每次 24 小时预算，累计超 10000 GPU 小时，任务涉及推理服务、缓存与编解码等。
结果与短跑式评测的直觉不太一样。150 次运行里有 135 次在预算后半程仍取得进一步改进，模型排名会随评测时长改变，把观察窗口砍短，丢掉的不只是绝对增益，还有相对名次的顺序。作者据此给出一句克制的话，较短的评测会同时漏掉优化收益与模型相对表现的变化。轨迹分析把挡住持续改进的东西归成三类，任务违规、测试不可靠、过早收工，均与算力多少无关。
另一组数字来自 KV 缓存压缩任务。人工设计的 Quant-VideoGen 编解码器给出 6.82% 的平均压缩比，Claude Opus 5.5 在同样任务上把它推到 19.86%，智能体找出的方案超过了人写的基线。站内 2005 号记的是四个智能体用 104 小时把 3B 模型后训练到官方 instruct 水平，2027 号把失败重新归因到 harness 上限；这条问的是给足时间之后还能不能继续改进，问题不落在同一处。
作者把 Infrathon 同时写成构造长程任务、评测前沿智能体与搜寻基础设施方案的资源。摘要没有列出 6 个模型的具体名称，也没有给出每次运行的费用、GPU 型号与任务清单的完整分布；19.86% 是压缩比指标，没有换算成端到端时延或吞吐收益，135 次后半程改进的幅度分布同样没写。上述结果均为作者自测，尚未见第三方复现。