Alibaba prueba agentes con clasificacion de codigos HS
Alibaba prueba agentes con clasificacion de codigos HS se reescribe para lectores tecnologicos en espanol, conservando cifras clave, limites del producto y preguntas abiertas.
Noticias y análisis de Benchmarks de grandes modelos
3 artículos verificados sobre Benchmarks de grandes modelos, productos y movimientos del sector.
LifeSciBench de OpenAI expone la brecha científica de la IA
El benchmark de 750 tareas muestra que los modelos ayudan en ciencias de la vida, pero están lejos de investigar solos.
SWE-Explore: los agentes de código fallan las líneas clave
Un benchmark liderado por Shanghai Jiao Tong University muestra que los agentes hallan el archivo correcto, pero solo 14% a 19% de las líneas relevantes.